WO2020153688A1 - 암호화폐 거래 분석 방법 및 시스템 - Google Patents

암호화폐 거래 분석 방법 및 시스템 Download PDF

Info

Publication number
WO2020153688A1
WO2020153688A1 PCT/KR2020/000951 KR2020000951W WO2020153688A1 WO 2020153688 A1 WO2020153688 A1 WO 2020153688A1 KR 2020000951 W KR2020000951 W KR 2020000951W WO 2020153688 A1 WO2020153688 A1 WO 2020153688A1
Authority
WO
WIPO (PCT)
Prior art keywords
transaction
cryptocurrency
graph
address
node
Prior art date
Application number
PCT/KR2020/000951
Other languages
English (en)
French (fr)
Inventor
서상덕
윤창훈
이승현
Original Assignee
(주)에스투더블유랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)에스투더블유랩 filed Critical (주)에스투더블유랩
Priority to JP2021539150A priority Critical patent/JP7313597B2/ja
Priority to CN202080010561.3A priority patent/CN113544727A/zh
Priority to US17/424,828 priority patent/US20220027900A1/en
Publication of WO2020153688A1 publication Critical patent/WO2020153688A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0607—Regulated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/22—Payment schemes or models
    • G06Q20/223—Payment schemes or models based on the use of peer-to-peer networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification

Definitions

  • the present invention relates to a method and system for analyzing cryptocurrency transactions, and more specifically, by analyzing and processing cryptocurrency data using the properties of cryptocurrency, a method and system capable of analyzing the transaction flow of cryptocurrency, which has been difficult to grasp in the past. Is about
  • Cryptocurrency is a digital asset designed to function as an exchange means, and is electronic information that can be distributed, issued and used as money in a certain network, encrypted with blockchain technology. Cryptocurrency is not issued by the central bank but is electronic information that is digitally expressed in monetary value based on blockchain technology, and is stored and operated in a P2P manner on the Internet.
  • the core technique for issuing and managing cryptocurrency is blockchain technology.
  • Blockchain is a list of continuously increasing records (blocks), and blocks are connected using an encryption method to secure security. Each block typically contains the cryptographic hash, timestamp and transaction data of the previous block.
  • Blockchain is a publicly distributed ledger that is resistant to data modification from the beginning and can effectively and permanently prove transactions between the two parties. Therefore, cryptocurrency enables transparent operation based on prevention of manipulation.
  • cryptocurrency has anonymity, so a third party other than the person who gave and the recipient cannot know the transaction details. Because of the anonymity of the account, it is difficult to track the flow of transactions (Non-trackable), and all records, such as remittance records and collection records, are disclosed, but the principal of the transaction is unknown (Pseudonymity).
  • Cryptocurrency is considered to be an alternative to the existing key currency due to its freedom and transparency as described above, and it is expected to be used effectively for international transactions, etc. with a low fee and simple remittance procedure compared to the existing currency.
  • cryptocurrency is often used as a criminal means, such as used in illegal transactions.
  • An object of the present invention is to solve the above-mentioned problems, and to provide a method for analyzing a transaction of a cryptocurrency and grasping a transaction entity.
  • Another object of the present invention is to minimize the use of cryptocurrency as a tool to support illegal activities by detecting illegal transactions made using cryptocurrency and learning transaction patterns.
  • the present invention for achieving such an object is a method for collecting distributed ledger information of a blockchain corresponding to a specific cryptocurrency in a method of analyzing a cryptocurrency transaction by an electronic device and shaping blockchain data extracted from the distributed ledger information.
  • a graph generation step of constructing a knowledge graph by using the mapping, and generating a multi-layer based transaction analysis knowledge graph by mapping the cryptocurrency network graph and the knowledge graph, and the first cryptocurrency for tracking the flow of funds in the transaction analysis knowledge graph Search for transaction information using an address as an input address, and create a money flow graph with an input address and an output address as a node to track the money flow, and use the knowledge graph to determine the properties of each node included in the money flow graph. It characterized in that it comprises a graph analysis step to identify.
  • a blockchain management unit that collects distributed ledger information of a blockchain corresponding to a specific cryptocurrency and formalizes blockchain data extracted from the distributed ledger information, and the cryptocurrency transaction on the web Multi-model data management unit to collect and model multi-data related to, build a cryptocurrency network graph using the standardized blockchain data, build a knowledge graph using the standardized multi-model data, and build the cryptocurrency
  • a graph generator that maps the network graph and the knowledge graph to generate a multi-layer based transaction analysis knowledge graph, searches for transaction information using the first cryptocurrency address to track the flow of funds in the transaction analysis knowledge graph as an input address, It characterized in that it comprises a graph analysis unit for tracking the flow of funds by generating a money flow graph having an input address and an output address as a node, and identifying the properties of each node included in the money flow graph using the knowledge graph.
  • FIG. 1 is a view for explaining a cryptocurrency transaction analysis system according to an embodiment of the present invention
  • Figure 2 is a flow chart for explaining a method for analyzing cryptocurrency transactions according to an embodiment of the present invention
  • FIG. 3 is a flowchart illustrating a blockchain management method according to an embodiment of the present invention
  • FIG. 4 is a flow chart for explaining a multi-type data management method according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a graph generation method according to an embodiment of the present invention.
  • FIG. 6 is a flowchart for explaining a method of generating an output fund flow graph according to an embodiment of the present invention
  • FIG. 7 is a flowchart illustrating a method of generating an input fund flow graph according to an embodiment of the present invention
  • FIG. 8 is a flow chart for explaining a method for analyzing the output fund flow according to an embodiment of the present invention
  • FIG. 9 is a flow chart for explaining an input fund flow analysis method according to an embodiment of the present invention.
  • FIG. 10 is a view for explaining a transaction analysis knowledge graph according to an embodiment of the present invention.
  • FIG. 11 is a view for explaining a graph of the flow of funds according to an embodiment of the present invention.
  • [Correction by Rule 91 13.02.2020] 12 is a view for explaining a method for analyzing the flow of funds according to an embodiment of the present invention.
  • The'knowledge graph' in this specification may be understood to mean a knowledge base implemented using graphs.
  • the knowledge base is a technology that derives meaningful information from large-scale data by databaseizing the human brain.
  • Knowledge can be expressed using rules, semantic networks, and frames, and can be expressed using logic or graphs.
  • a knowledge base is implemented using a graph, the graph is composed of a node and an edge, a node is defined as an'object' having information about various subjects, and a correlation between the objects is defined in the trunk. If you build a graph-based knowledge base, you can database large-scale data that is difficult for humans to remember, and you can find hidden meaning through machines.
  • multi-type data' is data collected from a dark web or service web, SNS, etc., and refers to all kinds of content that can be collected on a web page, and the method includes web crawling, web scraping, etc. It is not limited by the method.
  • multi-model data may be understood to mean all various kinds of data related to the above-described object (which may be a person or an object). For example, if the object is a specific A, then the gender, age, ID, name, hobby, type of the text or object that clicked on A, the group that A belongs to, and the friend of A.
  • User information such as a list, A's location, A's address, place of residence, A's frequent locations, A's favorite store or property information, membership date of a particular site or SNS, recent activity history, writing time, or A If you have written an article for trading object B, the type, quantity, and details of the object B, the time A wants to trade B, the trading method, the name of B, the image, the price you want to trade (quote), can be negotiated Whether or not, account information (including cryptocurrency addresses), user information inquiring about transaction information, etc. may also be included in the multi-type data.
  • Multi-type data is for constructing a knowledge graph, and may be a concept distinguished from'blockchain data' (data extracted from distributed ledger information of a blockchain) for constructing a cryptocurrency network graph in the present invention.
  • multi-model data includes information that is difficult to understand only with distributed ledger or exchange records.
  • Blockchain data in this specification is data that can identify cryptocurrency transactions, and may include transaction characteristics such as information of previous blocks recorded in a distributed ledger, registered time stamps, and hash values of previous transactions.
  • a cryptocurrency network graph can be generated using blockchain data, and the path of cryptocurrency transactions can be tracked using the cryptocurrency network graph.
  • the knowledge graph created using multiple types of data and the cryptocurrency network graph created using blockchain data can form different layers, and common objects (nodes) in multiple layers are vertically connected (mapping) ) To generate a multi-layer based transaction analysis knowledge graph. If the multi-layer based transaction analysis knowledge graph according to the present invention is used, it is possible to identify the transaction entity more quickly, and to quickly grasp the information of the organization to which the transaction entity belongs. In addition, it has a differentiated effect from the prior art in that it is possible to quickly grasp information related to a transaction subject and an object without performing search, inquiry, analysis, and additional information verification based on transaction information.
  • the cryptocurrency transaction analysis system 100 includes a user interface unit 105, a blockchain management unit 110, a multi-model data management unit 130, and a graph generation unit 150 ), a graph analysis unit 170, and a storage unit 190.
  • the user interface unit 105 may include a graphical user interface (GUI), a user-defined application, and a programming interface (API) that provides search and analysis results for knowledge graphs based on cryptocurrency network graphs and multiple types of data.
  • GUI graphical user interface
  • API programming interface
  • Objects extracted from blockchain data and multiple types of data have one or more properties, and a GUI based on graph provides relationships and properties between objects, and can provide additional analysis menus and analysis methods for each object have.
  • the user interface 105 may provide an API for system configuration, graph construction and reinforcement, graph search, graph analysis, and graph dynamic alarm setting to a user-defined application, and setting information from the user 30 through the API And receiving a query and the like, and applying the result to the transaction analysis, and providing the transaction analysis result.
  • the user interface unit 105 may collect data range setting information such as lists and/or ranges to be collected or excluded by the data collection modules 113 and 131 for graph construction, and dynamic data analysis module 115 , 135) Provides API for receiving data analysis active setting information such as real-time data analysis setting information, global environment setting for storage, relationship definition schema for building knowledge graph, and other setting information required for system operation can do.
  • data range setting information such as lists and/or ranges to be collected or excluded by the data collection modules 113 and 131 for graph construction
  • dynamic data analysis module 115 , 135) Provides API for receiving data analysis active setting information such as real-time data analysis setting information, global environment setting for storage, relationship definition schema for building knowledge graph, and other setting information required for system operation can do.
  • the user interface unit 105 may reinforce the input of analysis information such as seed information of data collection such as a domain, tag information for an analysis result, request to change the knowledge graph configuration, or other knowledge graph.
  • An API for receiving information that can be received from the user 30 may be provided to the application.
  • the user interface 105 may provide an application with an API for searching for knowledge graph objects and properties, such as full-text search, similarity-based search, and subset search. have.
  • the user interface 105 may provide an application with an API that provides information about the analysis of the knowledge graph based on the graph algorithm and the internal algorithm, such as fund flow tracking and sub graph similarity analysis.
  • the user interface 105 may provide a special situation setting and alarm setting API for the knowledge graph to the application.
  • Blockchain management unit 110 is a configuration that collects the distributed ledger information of the blockchain corresponding to a specific cryptocurrency and formalizes the blockchain data extracted from the distributed ledger information.
  • Blockchain data collection module 113, blockchain data analysis It may include a module 115 and a blockchain data shaping module 117.
  • the blockchain data collection module 113 may execute one or more cryptocurrency clients 50 to collect distributed ledger information of the blockchain. Whether or not the cryptocurrency client 50 is executed may be performed by a user request.
  • the blockchain data collection module 113 may collect transaction ledger information corresponding to the request by requesting transaction information from the API of the cryptocurrency client 50 when the cryptocurrency client 50 provides an API. If the cryptocurrency client 50 does not provide an external API, the blockchain data collection module 113 may parse the block data managed by the cryptocurrency client 50 to collect distributed ledger information.
  • the blockchain data analysis module 115 is a module that analyzes distributed ledger information to obtain additional information not included in the distributed ledger, and uses the cryptocurrency addresses to estimate the owners of cryptocurrency addresses included in the distributed ledger information. Can be grouped.
  • a multi-input heuristic algorithm that groups a set of sending addresses by owning a private key corresponding to a public key used as the sending address of a transaction, and returns the balance after remittance At least one of the address change heuristic algorithms grouping a plurality of addresses estimated to be the same owner using the received address may be used, in addition, a user-defined heuristic algorithm may be used, and address filtering and/or address by a user command Grouping may also occur.
  • the multi-input heuristic algorithm uses a transaction property of a cryptocurrency in which multiple input addresses and multiple output addresses (or target addresses) can be used in one transaction. If a public address a, b, or c is included in one transaction, it is likely that a, b, and c are accounts of the same owner. Therefore, the blockchain data analysis module 115 can group a, b, and c into the address of the owner X.
  • the blockchain data analysis module 115 may group addresses a, b, c, d, and e into the address of the owner X.
  • the address change heuristic algorithm uses a feature in which an address is newly generated to return the balance every time a cryptocurrency transaction is made. For example, when X, which owns an unspent transaction output (UTXO) with 10 Bitcoins in address a, sends 8 bitcoins to Y, a new address a'is created for X, and the remaining 2 bits as a' Coins can be deposited. Therefore, the blockchain data analysis module 115 may determine that a and a'are the same owner, and a and a'may be grouped by the address of the owner X.
  • UXO unspent transaction output
  • the blockchain data standardization module 117 may format the blockchain data including distributed ledger information and cryptographic address group information analyzed by the data analysis module according to a preset criterion.
  • the distributed ledger information may include block generation time, input/output amount, transaction fee, cryptocurrency block data such as the previous block and next block, transaction information in the block such as transaction amount, fee, and input/output cryptocurrency address. Therefore, the standardized blockchain data may include cryptocurrency block data and transaction information in blocks included in the distributed ledger information of various cryptocurrencies, and the type of cryptocurrency and the cryptocurrency address analyzed by the blockchain data analysis module 115 Group information may be included.
  • the blockchain data shaping module 117 may manage the structured blockchain data in the storage unit 190 and may perform a function of delivering the structured blockchain data when an external request is received.
  • blockchain data can be updated according to user requests.
  • the multi-model data management unit 130 is configured to collect and format multi-model data related to the cryptocurrency transaction on the web, a multi-model data collection module 131, a multi-model data classification module 133, and a multi-model data analysis module (135), may include a multi-model data shaping module (137).
  • the multi-model data collection module 131 may collect multi-model data related to the cryptocurrency transaction on the web. If you want to track the flow of illegal funds, the multi-model data collection module 131 may collect data from the Dark Web or Surface Web.
  • the Dark Web is a web that hides the user's identity using anonymous routing technology (Tor), and is used for the transmission of harmful advertisements, illegal transactions such as drug trafficking, and various financial crimes. Since cryptocurrency is actively used in illegal transactions, it is meaningful to collect dark web data in which illegal transactions are made in order to track the flow of illegal funds and identify the owners of the funds.
  • the multi-model data collection module 131 may collect data from DeepWeb such as a forum or a social network service (SNS).
  • SNS social network service
  • the multi-model data collection module 131 may collect data input from a user as multi-model data and be used to generate a knowledge graph. For example, if the user inputs the information that'A Bitcoin address A is for withdrawal', Bitcoin address A and withdrawal can be used to generate knowledge data in the relationship of cryptocurrency address-ownership.
  • the multi-model data collection module 131 may crawl a web page using a crawler. When a hyperlink exists in the crawled web page, the multi-data data is additionally crawled by additionally crawling the web page connected through the hyperlink. Can be collected. When the user provides the seed information, the multi-model data collection module 131 may crawl the web page corresponding to the seed information.
  • the seed information may include a domain, URL, hash tag, keyword, and the like. For example, when the user provides a specific address of the dark web that is expected to use illegal funds as seed information, the multi-model data collection module 131 crawls the web page corresponding to the above address and is different from the crawled data.
  • the data corpus can be extended by extracting a link to a website.
  • the multi-model data classification module 133 may classify the multi-model data according to transaction attributes or data sources (domain, URL).
  • the multi-model data classification module 133 may perform classification by learning a web page structure through machine learning. For example, the multi-model data classification module 133 may learn structure information of a web page using an HTML table or an XML structure, and classify similar pages by comparing structure information of a new web page. .
  • the multi-model data analysis module 135 is a module that extracts cryptocurrency transaction information existing in a web page, and may extract at least one of cryptocurrency address, transaction information, content type, or user information from the multi-model data.
  • the user information may include a user ID, user name, writing time, friend list, membership registration date, recent activity history, and the like.
  • the multi-model data analysis module 135 may extract user-defined data from the multi-model data.
  • the multi-model data shaping module 137 may format the information extracted from the multi-model data analysis module 135 according to a preset criterion. Since the information extracted from the multi-model data analysis module 135 has different domains, URLs, content contents, etc., the multi-model data standardization module 137 extracts data so that data can be utilized regardless of the category of the extracted data. You can do the work of shaping. For example, the information extracted from the analysis module 135 and additional meta information may be inserted to formalize in the order of [data source, cryptocurrency type, category].
  • the graph generator 150 constructs a cryptocurrency network graph using the standardized blockchain data, constructs a knowledge graph using the standardized multi-model data, and maps the cryptocurrency network graph and the knowledge graph By constructing a multi-layer based transaction analysis knowledge graph, it may include a cryptocurrency network graph generation module 151, a knowledge graph generation module 153, and a transaction analysis knowledge graph generation module 155.
  • the cryptocurrency network graph generation module 151 can generate a first node with a first object or a first attribute extracted from the structured blockchain data, and build a cryptocurrency network graph using each node edge.
  • the network graph such as cryptocurrency input address (object node)-transfer amount (edge)> transaction node-transfer amount (edge)> cryptocurrency output address (object node), or owner X (object) reflecting group information
  • Node)-a transmission amount (edge)> transaction node-a transmission amount (edge)> a network graph such as ransomware (attribute node) may be generated.
  • '>' indicates directionality
  • an edge according to an embodiment of the present invention may have directionality.
  • the cryptocurrency network graph can be displayed on one or more layers according to the classified categories. Referring to FIG. 10, when layers are classified according to the type of cryptocurrency, bitcoin data may be displayed on layer #1 210a and Ethereum data may be displayed on layer #n 210b. In addition, the cryptocurrency network graph can be displayed on multiple layers by the classification criteria according to user definition.
  • the knowledge graph generation module 153 may generate a second node with a second object or a second attribute extracted from the standardized multi-type data, and construct a knowledge graph using each node edge.
  • the knowledge graph generation module 153 may generate nodes and edges such as user ID (object node)-owned (edge)> cryptocurrency address (object node) using the profile data extracted from the web page.
  • the knowledge graph may also be displayed on one or more layers (230a, 230b), such as a cryptocurrency network graph, and thus may have a multi-layer structure.
  • the knowledge graph for each layer may belong to different categories.
  • the transaction analysis knowledge graph generation module 155 may generate a transaction analysis knowledge graph by mapping first and second nodes corresponding to each other.
  • the node A included in layer #1 210a of the cryptocurrency network graph 210 corresponds to the address a
  • the node B corresponds to the address b
  • the two addresses belong to the same group
  • node C included in layer #1 230a of the knowledge graph is a cryptocurrency address b. Since the node B and the node C contain the same information, they can be mapped to each other (see FIG. 8).
  • the transaction analysis knowledge graph 200 may have a multi-layer structure in which nodes of the cryptocurrency network graph 210 and the knowledge graph 230 are mutually mapped, and thus, when the transaction analysis knowledge graph 200 is used, cryptography It is possible to interpret the components of the currency network graph 210 through the components of the knowledge graph 230. For example, if the node C is connected to the node D representing the user ID and the owner edge, it can be determined that the owners of the addresses a and b are people having a user ID corresponding to the node D.
  • the graph analysis unit 170 may include a graph analysis module 171 for analyzing the transaction analysis knowledge graph and a similarity analysis module 173 for analyzing the similarity of money transactions.
  • the graph analysis module 171 may analyze the transaction analysis knowledge graph 200 for cryptocurrency transaction analysis. For example, in the transaction analysis knowledge graph, the transaction information having the cryptocurrency address for tracking the flow of funds as an input address is searched, and the money flow graph having the input address and the output address as a node is generated to track the flow of funds, , The attribute of each node included in the fund flow graph may be identified using the knowledge graph.
  • the graph analysis module 171 may track the main nodes of the cryptocurrency transaction in the transaction analysis knowledge graph based on the graph algorithm. For example, through centrality analysis, the central node of the money flow can be extracted, or the node related to the money flow history of a specific product can be extracted. Alternatively, the correlation of money transactions between objects may be analyzed through path analysis.
  • the graph analysis module 171 may track the flow of funds in the cryptocurrency based on the pollution analysis technology, which will be described later with reference to FIGS. 6 to 7, 9 to 10.
  • the similarity analysis module 173 may derive patterns of money transactions based on the knowledge graph. For example, if the drug transaction is frequently made at the cryptocurrency trading site B by the specific user A, the knowledge graph will have a number of specific users-drug trading-cryptocurrency trading site nodes and edges, so the similarity analysis module 173 In the graph, the above can be defined as a pattern.
  • the similarity analysis module 173 may learn a monetary transaction pattern using machine learning, and may derive a similar pattern. For example, pattern learning may be performed by learning input/output levels (degrees, sequences for edges, amounts, and other objects and properties of the objects) for the node. ) Dynamically derives a pattern, and when a suspicious money transaction pattern occurs, an alarm can be generated and provided to the user.
  • the storage unit 190 may store structured blockchain data or structured multi-model data, a cryptocurrency network graph generated by the graph generator 150, a knowledge graph, a transaction analysis knowledge graph, and the like.
  • the storage unit 190 may be included in the cryptocurrency transaction analysis system 100, but may be a database built outside the cryptocurrency transaction analysis system 100.
  • the electronic device may manage blockchain data by collecting distributed ledger information of a blockchain corresponding to a specific cryptocurrency and formalizing the blockchain data extracted from the distributed ledger information (S100).
  • the electronic device may manage multi-model data by collecting and standardizing multi-model data related to the cryptocurrency transaction on the web (S200).
  • the electronic device builds a cryptocurrency network graph using the standardized blockchain data, builds a knowledge graph using the standardized multi-model data, and maps the cryptocurrency network graph and the knowledge graph to multi-layer based
  • a transaction analysis knowledge graph may be generated (S500).
  • the electronic device searches for transaction information using the first cryptocurrency address as an input address to track the flow of funds in the transaction analysis knowledge graph, and generates a money flow graph having an input address and an output address as a node to generate funds flow.
  • Graph analysis may be performed by tracking and identifying the attributes of each node included in the fund flow graph using the knowledge graph (S700).
  • An electronic device that performs a method for analyzing cryptocurrency transactions is a device including a computer processor and a wired/wireless communication module, which receives configuration information, seed information, and queries from a user terminal, collects necessary information from a cryptocurrency client and the web, and uses cryptocurrency. Each step of the transaction analysis method can be performed.
  • step 100 the electronic device collects blockchain data to collect distributed ledger information of a blockchain by executing one or more cryptocurrency clients (S130), and is estimated to be the same owner using the distributed ledger information
  • Blockchain data can be analyzed, such as grouping addresses (S150).
  • step 150 the electronic device groups a plurality of input addresses included in a transaction using a multi-input heuristic algorithm that groups a set of transmission addresses according to whether a private key corresponding to a cryptocurrency address used as a transaction transmission address is owned or not.
  • a plurality of groups including the same address may be grouped into one group.
  • a plurality of addresses estimated to be the same owner may be grouped by using an address change heuristic algorithm and using the address to return the balance after remittance.
  • the electronic device may formalize the blockchain data including the distributed ledger information and group information analyzed by the data analysis module according to a preset criterion (S170).
  • step 300 the electronic device collects multi-model data related to the cryptocurrency transaction on the web (S310), classifies the multi-model data into categories according to transaction attributes (S330), and the multi-model At least one of the cryptocurrency address, transaction information, or user information may be extracted from the data to analyze multi-type data (S350).
  • the extracted information may be formalized according to a preset criterion (S370).
  • step 500 the electronic device generates a first node with a first object or a first attribute extracted from the standardized blockchain data, and connects the relationships between nodes with an edge to create a cryptocurrency network graph.
  • Build (S530) create a second node with the second object or the second attribute extracted from the standardized multi-type data, and build a knowledge graph by connecting the relationships between nodes as edges (S550).
  • the electronic device may generate a transaction analysis knowledge graph by mapping the first node and the second node corresponding to each other in the cryptocurrency network graph and the knowledge graph (S570).
  • Step 700 will be described in more detail with reference to FIGS. 6 to 8.
  • 6 is a flow chart for explaining in more detail the step of generating a money flow graph in step 700.
  • the electronic device wants to track the flow of funds flowing from the first cryptocurrency address, it generates an output fund flow graph in the following way.
  • step a first, the electronic device designates a first cryptocurrency address for tracking the flow of funds in the transaction analysis knowledge graph as an input node, and one or more agents having an address of the input node as an input address. 1 Search for transaction information (S713). Next, the electronic device generates a transaction node, an output node, and an edge (S715). Step 715 includes steps b and c.
  • Step b is a step of generating a transaction node (TX) for each transaction using the first transaction information, and connecting the input node and the transaction node to an input edge (TxIn), and step c is the first transaction It is a step of generating an output node (Addr) corresponding to the output address included in the transaction information, and connecting the transaction node and the output node to an output edge (TxOut).
  • the electronic device may label the amount transmitted for the input edge and the output edge, and label the UTXO tag at the output edge corresponding to a transaction in which the output is not consumed (S717).
  • the electronic device checks whether the UTXO tag is labeled on the output edge, and designates the output nodes as input nodes for the output edge where the UTXO tag is not labeled, steps 713 to 717. Repeat it. If the UTXO tag is labeled on the output edge or the output address included in the first transaction information is determined to be a previously identified address, the electronic device may end the graph generation for the output node connected to the edge.
  • FIG. 11 is a graph for tracking the flow of funds flowing from an illegal bitcoin address (illicit address) 500, the money flow graph according to an embodiment of the present invention route the first cryptocurrency address to track the flow of funds
  • This is a node-oriented graph.
  • an illegal bitcoin address is designated as an input node (root node), and one or more transaction information using an address of the root node 500 as an input address is retrieved.
  • the electronic device creates a transaction node TX for each transaction, and connects the transaction node TX from the root node to the input edge TxIn.
  • An output node (Addr) for the output address and connect the transaction node (TX) and the output node (Addr) using an output edge (TxOut) pointing to the output node.
  • a money flow graph is generated using a subsequent transaction using an output address corresponding to each of the generated output nodes as an input address.
  • Subsequent transactions refer to transactions in which the output of the current transaction (TxOut) is consumed as the input of the next transaction (TxIn).
  • the graph analysis module 171 tracks TX E as the next transaction, so only the input edge TxIn(e) It is analyzed that it is consumed from the output edge TxOut(b).
  • the Bitcoin processed in transaction TX F is from TxOut(c), not the illegal bitcoin address, so it is discarded in this funding tracking.
  • the graph analysis module 171 of the electronic device expands the graph by starting from an illegal address (root node) and continuously adding a fund receiving address to the graph.
  • the graph analysis module 171 repeatedly adds a transaction node and an output node to the graph until the last output node is identified as a TXOut edge with a UTXO tag.
  • the graph analysis module 171 can find the cryptocurrency address of the cryptocurrency service company and tag the information into the corresponding address group (cluster). If the address is owned by a well-known service provider, the graph analysis module 171 may label the node with the service name and stop searching for the next transaction information.
  • An example of a service provider that is a final destination for illegal money tracking according to an embodiment of the present invention is an exchange or wallet service provider where cryptocurrency is exchanged, online gambling sites such as poker, casino, and illegal products are sold. Or, there may be a sales office that can be purchased or a company that washes cryptocurrency to improve anonymity.
  • step 700 when the generation of the money flow graph is completed, the electronic device or the graph analysis module 171 may track the flow of money by quantifying the money flow. Tracking the flow of funds can be done by quantifying the amount of cryptocurrency sent from one address to another.
  • the electronic device calculates the ratio of the amount of the first output edge labeled amount to the pollution ratio of the first output edge compared to the sum of the amount of all labeled output edges connected to the first transaction node (S731) ), the pollution value of the first output node connected to the first output edge is calculated using the pollution value of the first input node connected to the first transaction node and the pollution ratio of the first output edge (S733 ).
  • the root node has a pollution value of 1.
  • the electronic device may identify the flow of funds by determining the pollution value of the first output node as the ratio of funds received from the first cryptocurrency address (S735).
  • the pollution value means the ratio of the cryptocurrency transmitted from the first cryptocurrency address (first input address) to track each money flow to each destination address (output address).
  • Equations 1 to 3 below show the method of quantifying the flow of money according to an embodiment of the present invention.
  • Equation 1 Is a set of j th transactions that includes a set of withdrawal transactions t and the next transaction reaching the destination cryptocurrency address b, and the transaction pt is a set It is one of the deals belonging to. Furthermore Is the amount of the output edge i of the transaction pt, The The amount corresponding to the subsequent output edge consumed in the next transaction belonging to. In other words, the ratio of the value of the output in the current transaction divided by all of the output values in the current transaction is multiplied. In addition, it continuously follows the next transaction in which output is consumed in the current transaction. It is multiplied by the ratio of all output amounts calculated in all transactions belonging to. Finally, the multiplied values for each transaction set j are summed to calculate the pollution value from the input node a to the output node b starting from transaction t.
  • Equation 2 is a normalization function that represents the fraction of input money divided by the sum of input funds at transaction t to reflect the ratio of funds flow from input address a to each withdrawal transaction. ).
  • Is the amount of input edge i at transaction t Denotes the amount of the input edge i of transaction k for all withdrawal transactions.
  • the total sum of the amounts corresponding to the input edge of transaction t is divided by the total sum of the input edge amounts belonging to all output transactions T.
  • Equation 3 is the final pollution value Is the formula for Final contamination value Is calculated by multiplying the pollution rate for each transaction t and the pollution value of the input node and adding the calculated value for transaction t belonging to all output transactions T.
  • the graph analysis module 171 performs further tracking of the next transaction since the outputs for BTC1 and BTC3 of TX1 and TX2 remain unused and BTC4 and BTC5 are owned by a well-known Bitcoin service provider (i.e., exchange service). Can not.
  • a well-known Bitcoin service provider i.e., exchange service
  • the electronic device may generate an input fund flow graph for tracking the input fund flow and track the input fund flow.
  • the tracking of the input fund flow may be achieved by performing the above-described output fund flow graph generation and output fund flow tracking in reverse.
  • the input fund flow graph designates a second cryptocurrency address for tracking input fund flow in the transaction analysis knowledge graph as an output node, and retrieves one or more second transaction information whose output node address is an output address.
  • steps 719 and 729 it is also possible to set a specific condition to generate a fund flow graph until the condition is satisfied, but the user can also set a depth of node creation to generate a graph as desired.
  • the electronic device calculates the ratio of the amount of the amount of money labeled on the second input edge to the sum of the amount of money labeled on all the input edges connected to the second transaction node.
  • the second input node connected to the second input edge is calculated using the pollution ratio of (S751), and the pollution value of the second output node connected to the second transaction node and the output edge and the pollution ratio of the second input edge.
  • the apparatus and method according to an embodiment of the present invention may be implemented in a form of program instructions that can be executed through various computer means and recorded in a computer readable medium.
  • Computer-readable media may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded on the computer-readable medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the computer software field. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and floptical disks.
  • Hardware devices specially configured to store and execute program instructions such as magneto-optical media and ROM (ROM), RAM (RAM), flash memory, and the like are included.
  • the above-described medium may be a transmission medium such as an optical or metal wire, a waveguide including a carrier wave that transmits a signal specifying a program command, a data structure, or the like.
  • Examples of program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine code such as that produced by a compiler.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 암호화폐 거래 분석 방법 및 시스템에 관한 것으로, 보다 자세하게는 암호화폐의 속성을 이용하여 암호화폐 데이터를 분석 및 가공함으로써 종래에는 파악하기 어려웠던 암호화폐의 거래 흐름을 분석할 수 있는 방법 및 시스템에 관한 것이다. 본 발명은 전자 장치가 암호화폐 거래를 분석하는 방법에 있어서, 특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 블록체인 관리 단계, 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 다기종 데이터 관리 단계, 상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성하는 그래프 생성 단계, 상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하고, 상기 지식 그래프를 이용하여 자금 흐름 그래프에 포함된 각 노드의 속성을 식별하는 그래프 분석 단계를 포함하는 것을 일 특징으로 한다. 본 발명에 의하면, 암호화폐의 거래 흐름를 분석하고 거래 주체를 파악할 수 있다.

Description

암호화폐 거래 분석 방법 및 시스템
본 발명은 암호화폐 거래 분석 방법 및 시스템에 관한 것으로, 보다 자세하게는 암호화폐의 속성을 이용하여 암호화폐 데이터를 분석 및 가공함으로써 종래에는 파악하기 어려웠던 암호화폐의 거래 흐름을 분석할 수 있는 방법 및 시스템에 관한 것이다
암호화폐(cryptocurrency)는 교환 수단으로 기능하도록 고안된 디지털 자산으로, 블록체인(blockchain) 기술로 암호화되어 분산발행되고 일정한 네트워크에서 화폐로 사용할 수 있는 전자정보를 말한다. 암호화폐는 중앙은행이 발행하지 않고 블록체인 기술에 기초하여 금전적 가치가 디지털방식으로 표시된 전자정보로서 인터넷상 P2P 방식으로 분산 저장되어 운영·관리된다. 암호화폐를 발행하고 관리하는 핵심 기법은 블록체인(blockchain) 기술이다. 블록체인은 지속적으로 늘어나는 기록(블록)의 일람표로서 블록은 암호화방법을 사용하여 연결되어 보안이 확보된다. 각 블록은 전형적으로는 이전 블록의 암호해쉬, 타임스탬프와 거래 데이터를 포함한다. 블록체인은 처음부터 데이터의 수정에 대해 저항력을 가지고 있으며, 양 당사자 간의 거래를 유효하게 영구적으로 증명할 수 있는 공개된 분산 장부이다. 따라서 암호화폐는 조작 방지를 기반으로 투명한 운영을 가능하게 한다.
그밖에, 암호화폐는 기존 화폐와는 달리 익명성을 갖고 있어, 준 사람과 받은 사람 이외의 제3자는 거래 내역을 일체 알 수 없다는 특징이 있다. 계좌의 익명성 때문에 거래의 흐름을 추적하기 어려우며(Non-trackable), 송금기록, 수금기록 등 일체의 기록은 모두 공개되어 있으나 거래 주체는 알 수 없다(Pseudonymity).
암호화폐는 전술한 바와 같은 자유성과 투명성으로 인해 기존의 기축통화를 대체할 수 있는 대안으로 여겨지고 있으며, 기존 통화 대비 저렴한 수수료와 간단한 송금 절차로 국제 간 거래 등에 효과적으로 사용될 수 있을 것으로 보여진다. 다만 그 익명성으로 인해 암호화폐는 불법 거래 등에 사용되는 등 범죄 수단으로 악용되기도 한다.
따라서 암호화폐를 범죄 수단으로 사용하거나, 거래 주체의 파악이 필요한 경우 이를 파악 및 분석할 수 있는 방법이 요구된다.
본 발명은 전술한 문제점을 해결하기 위한 것으로서, 암호화폐의 거래를 분석하고 거래 주체를 파악할 수 있는 방법을 제공하는 것을 일 목적으로 한다.
또한, 본 발명은 암호화폐를 이용하여 이루어지는 불법 거래를 탐지하고, 거래 패턴을 학습함으로써 암호화폐가 불법 활동을 지원하는 도구로 사용되는 것을 최소화하는 것을 다른 목적으로 한다.
이러한 목적을 달성하기 위한 본 발명은 전자 장치가 암호화폐 거래를 분석하는 방법에 있어서, 특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 블록체인 관리 단계, 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 다기종 데이터 관리 단계, 상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성하는 그래프 생성 단계, 상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하고, 상기 지식 그래프를 이용하여 자금 흐름 그래프에 포함된 각 노드의 속성을 식별하는 그래프 분석 단계를 포함하는 것을 일 특징으로 한다.
또한, 본 발명은 암호화폐 거래 분석 시스템에 있어서, 특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 블록체인 관리부, 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 다기종 데이터 관리부, 상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성하는 그래프 생성부, 상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하고, 상기 지식 그래프를 이용하여 자금 흐름 그래프에 포함된 각 노드의 속성을 식별하는 그래프 분석부를 포함하는 것을 일 특징으로 한다.
전술한 바와 같은 본 발명에 의하면, 암호화폐의 거래 흐름를 분석하고 거래 주체를 파악할 수 있다.
또한, 본 발명에 의하면, 암호화폐를 이용하여 이루어지는 불법 거래를 탐지하고, 거래 패턴을 학습함으로써 암호화폐가 불법 활동을 지원하는 도구로 사용되는 것을 최소화할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 암호화폐 거래 분석 시스템을 설명하기 위한 도면,
도 2는 본 발명의 일 실시 예에 따른 암호화폐 거래 분석 방법을 설명하기 위한 순서도,
도 3은 본 발명의 일 실시 예에 따른 블록체인 관리 방법을 설명하기 위한 순서도,
도 4는 본 발명의 일 실시 예에 따른 다기종 데이터 관리 방법을 설명하기 위한 순서도,
도 5는 본 발명의 일 실시 예에 따른 그래프 생성 방법을 설명하기 위한 순서도,
도 6은 본 발명의 일 실시 예에 따른 출력 자금 흐름 그래프 생성 방법을 설명하기 위한 순서도,
도 7은 본 발명의 일 실시 예에 따른 입력 자금 흐름 그래프 생성 방법을 설명하기 위한 순서도,
도 8은 본 발명의 일 실시 예에 따른 출력 자금 흐름 분석 방법을 설명하기 위한 순서도,
도 9는 본 발명의 일 실시 예에 따른 입력 자금 흐름 분석 방법을 설명하기 위한 순서도,
도 10은 본 발명의 일 실시 예에 따른 거래 분석 지식 그래프를 설명하기 위한 도면,
도 11는 본 발명의 일 실시 예에 따른 자금 흐름 그래프를 설명하기 위한 도면,
[규칙 제91조에 의한 정정 13.02.2020]　
도 12은 본 발명의 일 실시 예에 따른 자금 흐름 분석 방법을 설명하기 위한 도면이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용되며, 명세서 및 특허청구의 범위에 기재된 모든 조합은 임의의 방식으로 조합될 수 있다. 그리고 다른 식으로 규정하지 않는 한, 단수에 대한 언급은 하나 이상을 포함할 수 있고, 단수 표현에 대한 언급은 또한 복수 표현을 포함할 수 있음이 이해되어야 한다.
본 명세서의 ‘지식 그래프’는 그래프를 이용하여 구현된 지식 베이스를 의미하는 것으로 이해될 수 있다. 지식 베이스는 사람의 두뇌를 데이터베이스화하여 대규모 데이터에서 유의미한 정보를 도출하는 기술로, 지식은 규칙, 의미망, 프레임을 이용해 표현될 수 있으며, 논리 또는 그래프를 이용하여 표현될 수 있다. 그래프를 이용하여 지식 베이스를 구현하는 경우, 그래프는 노드(node)와 간선(edge)으로 구성되며, 노드에는 다양한 주체에 대한 정보를 갖는 ‘객체’가, 간선에는 객체 간의 상관관계가 정의된다. 그래프 기반의 지식 베이스를 구축하면, 사람이 기억하기 어려운 대규모 데이터를 데이터베이스화 할 수 있어, 기계를 통해 숨겨진 의미를 찾을 수 있다.
본 명세서에서의 '다기종 데이터'는 다크웹 또는 서비스 웹, SNS 등에서 수집되는 데이터로, 웹페이지에서 수집할 수 있는 모든 종류의 컨텐츠를 의미하며, 방법은 웹크롤링, 웹스크래핑 등을 포함하며 특정 방법에 의해 제한되지 않는다. 본 명세서에서 다기종 데이터는 상술한 객체(이는 사람일 수도 있고, 물건일 수도 있다)와 관련된 모든 다양한 종류의 데이터를 의미하는 것으로 이해될 수 있다. 예를 들어, 객체가 특정인 A인 경우, A에 관하여 웹 또는 앱에서 수집한 A의 성별, 나이, ID, 이름, 취미, 좋아요를 누른 텍스트나 객체의 종류, A가 속해있는 그룹, A의 친구 목록, A의 위치, A의 주소, 거주지, A가 자주 가는 지역, A가 좋아하는 가게 또는 물건 정보, 특정 사이트 또는 SNS의 회원 가입 날짜, 최근 활동 내역, 글 작성 시간과 같은 사용자 정보나, A가 물건 B를 거래하기 위한 글을 작성하였다면, 거래 물건 B의 종류, 수량, 내역, A가 B를 거래하고자 하는 시간, 거래 방법, B의 명칭, 이미지, 거래하고자 하는 가격(호가), 협상 가능 여부, 계좌 정보(암호화폐 주소를 포함함), 거래 정보를 문의한 사용자 정보 등도 다기종 데이터에 포함될 수 있다. 다기종 데이터는 지식 그래프를 구축하기 위한 것으로, 본 발명에서 암호화폐 네트워크 그래프를 구축하기 위한 '블록체인 데이터'(블록체인의 분산원장 정보에서 추출한 데이터)와 구별되는 개념일 수 있다. 즉, 다기종 데이터는 분산원장이나 거래소 기록만으로는 파악하기 힘든 정보를 포함한다.
본 명세서의 블록체인 데이터는 암호화폐 거래를 식별 할 수 있는 데이터로 분산원장에 기록되는 이전 블록의 정보, 등기 타임 스탬프, 이전 트랜잭션의 해쉬값과 같은 거래 특성을 포함할 수 있다. 본 발명에 따르면, 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 생성할 수 있으며, 암호화폐 네트워크 그래프를 이용하면 암호화폐 거래의 경로 추적이 가능하다.
다기종 데이터를 이용하여 생성된 지식 그래프와, 블록체인 데이터를 이용하여 생성된 암호화폐 네트워그 그래프는 서로 다른 레이어를 구성할 수 있으며, 다중 레이에서 공통되는 객체(노드)가 수직적으로 연결(맵핑)되어 다중 레이어 기반 거래 분석 지식 그래프가 생성될 수 있다. 본 발명에 따른 다중 레이어 기반의 거래 분석 지식 그래프를 이용하면, 거래 주체를 더 빠르게 확인할 수 있고, 거래 주체가 속해 있는 조직의 정보 등을 빠르게 파악할 수 있다. 또한 거래 정보를 기초로 검색이나 조회, 분석, 추가적인 정보 확인을 하지 않고도 빠르게 거래 주체 및 객체와 관련된 정보를 파악할 수 있다는 점에서 종래 기술과는 차별화된 효과를 갖는다.
도 1은 본 발명의 일 실시 예에 따른 암호화폐 거래 분석 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 암호화폐 거래 분석 시스템(100)은 사용자 인터페이스부(105), 블록체인 관리부(110), 다기종데이터 관리부(130), 그래프 생성부(150), 그래프 분석부(170), 저장부(190)를 포함할 수 있다.
사용자 인터페이스부(105)는 암호화폐 네트워크 그래프와 다기종 데이터를 기반으로 한 지식 그래프에 대한 검색 및 분석 결과를 제공하는 그래픽 유저 인터페이스(GUI), 사용자 정의 애플리케이션, 프로그래밍 인터페이스(API)를 포함할 수 있다. 블록체인 데이터 및 다기종 데이터에서 추출한 객체들은 하나 이상의 속성(property)를 가지며, 그래프를 기반으로 한 GUI는 객체 간 관계 및 속성을 제공하며, 각 객체에 대하여 추가 분석 메뉴 및 분석 방법을 제공할 수 있다.
사용자 인터페이스부(105)는 시스템 환경설정, 그래프 구축 및 보강, 그래프 검색, 그래프 분석, 그래프 동적 알람 설정에 대한 API를 사용자 정의 애플리케이션에 제공할 수 있으며, 상기 API를 통해 사용자(30)로부터 설정 정보 및 질의 등을 수신하여 거래 분석에 적용하고, 거래 분석 결과를 제공할 수 있다.
시스템 환경설정과 관련하여, 사용자 인터페이스부(105)는 그래프 구축을 위해 데이터 수집 모듈(113, 131)이 수집하거나 배제해야할 목록 및/또는 범위와 같은 수집 데이터 범위 설정 정보, 동적 데이터 분석 모듈(115, 135)의 실시간 데이터 분석 여부 설정 정보와 같은 데이터 분석 활성 설정 정보, 저장소에 대한 전역 환경 설정, 지식 그래프 구축을 위한 관계 정의 스키마, 기타 시스템 동작에 필요한 설정 정보를 수신하기 위한 API를 애플리케이션에 제공할 수 있다.
지식 그래프 구축 및 보강과 관련하여, 사용자 인터페이스부(105)는 도메인과 같은 데이터 수집의 시드 정보, 분석 결과에 대한 태그 정보, 지식 그래프 구성 변경 요청과 같은 분석 정보의 입력이나 기타 지식 그래프를 보강할 수 있는 정보들을 사용자(30)로부터 수신하기 위한 API를 애플리케이션에 제공할 수 있다.
지식 그래프 검색과 관련하여, 사용자 인터페이스부(105)는 full-text 검색, 유사도 기반 검색, 부분 집합 검색 등 지식 그래프 객체(object) 및 속성(property)에 대한 검색을 위한 API를 애플리케이션에 제공할 수 있다.
지식 그래프 분석과 관련하여, 사용자 인터페이스부(105)는 자금 흐름 추적, 서브 그래프 유사도 분석 등 그래프 알고리즘 및 내부 알고리즘에 기반한 지식 그래프 분석에 대한 정보를 제공하는 API를 애플리케이션에 제공할 수 있다.
지식 그래프 동적 알람 설정과 관련하여, 사용자 인터페이스부(105)는 지식 그래프에대한 특수 상황 설정 및 알람 설정 API를 애플리케이션에 제공할 수 있다.
블록체인 관리부(110)는 특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 구성으로, 블록체인 데이터 수집 모듈(113), 블록체인 데이터 분석 모듈(115), 블록체인 데이터 정형화 모듈(117)을 포함할 수 있다.
블록체인 데이터 수집 모듈(113)은 하나 이상의 암호화폐 클라이언트(50)를 실행하여 블록체인의 분산원장 정보를 수집할 수 있다. 암호화폐 클라이언트(50)의 실행 여부는 사용자 요청에 의해 이루어질 수 있다. 블록체인 데이터 수집 모듈(113)은 상기 암호화폐 클라이언트(50)가 API를 제공하는 경우, 암호화폐 클라이언트(50)의 API에 거래 정보를 요청하여 요청에 대응되는 분산원장 정보를 수집할 수 있다. 만약 암호화폐 클라이언트(50)가 외부 API를 제공하지 않는 경우, 블록체인 데이터 수집 모듈(113)은 암호화폐 클라이언트(50)가 관리하는 블록데이터를 파싱하여 분산원장 정보를 수집할 수 있다.
블록체인 데이터 분석 모듈(115)은 분산원장에 포함되지 않은 추가적인 정보를 획득하기 위하여 분산원장 정보를 분석하는 모듈로, 상기 분산원장 정보에 포함된 암호화폐 주소들의 소유주 추정을 위해 상기 암호화폐 주소들을 그룹화할 수 있다.
암호화폐 주소의 그룹화에는 거래의 송신주소로 사용되는 가상화폐 주소(publick key)에 해당하는 프라이빗 키(private key)의 소유 여부로 송신 주소의 집합을 그룹화하는 멀티 입력 휴리스틱 알고리즘, 송금 후 잔액을 돌려받는 주소를 이용하여 동일 소유주로 추정되는 복수개의 주소를 그룹화하는 주소변경 휴리스틱 알고리즘 중 적어도 하나가 사용될 수 있으며, 그 외에도 사용자가 정의한 휴리스틱 알고리즘이 사용될 수 있고, 사용자 명령에 의해 주소 필터링 및/또는 주소 그룹화가 이루어질 수도 있다.
멀티 입력 휴리스틱 알고리즘은 하나의 거래에 복수개의 입력 주소와 복수개의 출력 주소(또는 대상 주소)가 사용될 수 있는 암호화폐의 거래 속성을 이용한 것이다. 하나의 거래에 입력 주소(public address) a, b, c가 포함된 경우 a, b, c는 동일한 소유주의 계좌일 가능성이 높다. 따라서 블록체인 데이터 분석 모듈(115)은 a, b, c를 소유주 X의 주소로 그룹핑할 수 있다.
또한, 멀티 입력 휴리스틱 알고리즘을 이용하면 입력 주소 a, b, c가 포함된 거래 1과 입력 주소 c, d, e가 포함된 거래 2가 존재하는 경우, a, b, c, d, e의 소유주가 동일한 것으로 추정할 수 있다. 그리고 블록체인 데이터 분석 모듈(115)은 주소 a, b, c, d, e를 소유주 X의 주소로 그룹핑할 수 있다.
주소 변경 휴리스틱 알고리즘은 암호화폐 거래가 이루어질 때마다 잔액을 돌려받기 위한 주소가 새롭게 생성되는 특징을 이용한 것이다. 예를 들어 주소 a에 10 비트코인이 포함된 UTXO(unspent transaction output)를 소유한 X가 Y에게 8 비트코인을를 송금 할 때, X에게는 새로운 주소 a’가 생성되고, a’로 잔액인 2 비트코인이 입금될 수 있다. 따라서 블록체인 데이터 분석 모듈(115)은 a와 a’를 동일 소유주의 것으로 판단할 수 있으며, a와 a’는 소유주 X의 주소로 그룹핑될 수 있다.
블록체인 데이터 정형화 모듈(117)은 분산원장 정보 및 상기 데이터 분석 모듈에서 분석한 암호화폐 주소 그룹 정보를 포함하는 블록체인 데이터를 미리 설정된 기준에 따라 정형화할 수 있다. 분산원장 정보에는 블록 생성 시간, 입/출력 금액, 거래 수수료, 이전 블록, 다음 블록 등의 암호화폐 블록 데이터, 거래량, 수수료, 입/출력 암호화폐 주소 등의 블록 내 거래 정보가 포함될 수 있다. 따라서 정형화된 블록체인 데이터에는 다양한 암호화폐의 분산원장 정보에 포함된 암호화폐 블록 데이터와 블록 내 거래 정보들이 포함될 수 있으며, 암호화폐의 종류와 블록체인 데이터 분석 모듈(115)에서 분석한 암호화폐 주소 그룹 정보가 포함될 수 있다.
블록체인 데이터 정형화 모듈(117)은 저장부(190)에서 정형화된 블록체인 데이터를 관리할 수 있으며, 외부 요청이 수신되면 정형화된 블록체인 데이터를 전달하는 기능을 수행할 수 있다. 또한 사용자 요청에 따라 블록체인 데이터를 업데이트 할 수 있다.
다기종데이터 관리부(130)는 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 구성으로, 다기종 데이터 수집 모듈(131), 다기종 데이터 분류 모듈(133), 다기종 데이터 분석 모듈(135), 다기종 데이터 정형화 모듈(137)을 포함할 수 있다.
다기종 데이터 수집 모듈(131)은 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집할 수 있다. 불법 자금의 흐름을 추적하고자 하는 경우, 다기종 데이터 수집 모듈(131)은 다크웹(Dark Web) 또는 서피스웹(Surface Web)에서 데이터를 수집할 수 있다. 다크웹은 익명 라우팅 기술(Tor)을 이용하여 사용자의 신원을 은폐하는 웹으로, 유해 광고의 송출, 마약 거래와 같은 불법 거래, 각종 금융 범죄에 활용되고 있다. 암호화폐는 불법적인 거래에 활발히 사용되고 있으므로, 불법적인 자금의 흐름을 추적하고 자금 소유주를 식별하기 위해서는 불법 거래가 이루어지는 다크웹 데이터를 수집하는 것은 의미가 있다. 나아가, 다기종 데이터 수집 모듈(131)은 포럼이나 소셜 네트워크 서비스(SNS)와 같은 DeepWeb에서 데이터를 수집할 수 있다. 다기종 데이터 수집 모듈(131)은 사용자로부터 입력받은 데이터를 다기종 데이터로 수집하여 지식 그래프 생성에 사용되도록 할 수 있다. 예를 들어, 사용자가 ‘A라는 비트코인 주소는 철수의 것이다’라는 정보를 입력하면, 비트코인 주소 A와 철수는 암호화폐 주소-소유주의 관계로 지식 데이터 생성에 이용될 수 있다.
다기종 데이터 수집 모듈(131)은 크롤러를 이용하여 웹페이지를 크롤링할 수 있는데, 크롤링 된 웹페이지에 하이퍼링크가 존재하는 경우, 하이퍼링크를 통해 연결된 웹페이지를 추가 크롤링하는 방식으로 다기종 데이터를 수집할 수 있다. 사용자가 시드 정보를 제공한 경우, 다기종 데이터 수집 모듈(131)은 시드 정보에 대응되는 웹페이지를 크롤링할 수 있다. 시드 정보로는 도메인, URL, 해시태그, 키워드 등이 포함될 수 있다. 예를 들어, 사용자가 불법 자금이 사용될 것으로 예상되는 다크웹의 특정 주소를 시드 정보로 제공한 경우, 다기종 데이터 수집 모듈(131)은 위 주소에 해당하는 웹페이지를 크롤링하고 크롤링한 데이터에서 다른 웹사이트로 연결되는 링크를 추출하여 데이터 코퍼스를 확장할 수 있다.
다기종 데이터 분류 모듈(133)은 다기종 데이터를 거래 속성 또는 데이터 소스(도메인, URL)에 따라 분류할 수 있다.
예를 들어, 수집된 웹페이지에 기부 요청, 지식 공유, 에스크로 확인, 사용자 식별, 제품 광고, 법률 서비스 제공 등의 내용이 포함된 경우 동 웹페이지에 포함된 데이터들은 합법적 데이터로 분류될 수 있다. 다른 실시 예로, 다기종 데이터 분류 모듈(133)은 기계학습을 통해 웹페이지 구조를 학습하여 분류를 수행할 수 있다. 예를 들어, 다기종 데이터 분류 모듈(133)은 HTML 테이블이나 XML 구조 등을 이용하여 웹페이지의 구조 정보를 학습할 수 있으며, 새로운 웹페이지에 대한 구조 정보를 비교하여 유사 페이지를 분류할 수 있다.
다기종 데이터 분석 모듈(135)은 웹페이지 내에 존재하는 암호화폐 거래 정보를 추출하는 모듈로, 상기 다기종 데이터에서 암호화폐 주소, 거래 정보, 컨텐츠 유형 또는 사용자 정보 중 적어도 하나를 추출할 수 있다. 사용자 정보로는 사용자 ID, 사용자 이름, 글 작성 시간, 친구 목록, 회원 가입 날짜, 최근 활동 내역 등이 포함될 수 있다. 이 밖에 사용자가 특정 데이터를 정의한 경우, 다기종 데이터 분석 모듈(135)은 다기종 데이터에서 사용자가 정의한 데이터를 추출할 수 있다.
다기종 데이터 정형화 모듈(137)은 다기종 데이터 분석 모듈(135)에서 추출된 정보를 미리 설정된 기준에 따라 정형화 할 수 있다. 다기종 데이터 분석 모듈(135)에서 추출된 정보들은 도메인, URL, 컨텐츠 내용 등이 상이한 바, 다기종 데이터 정형화 모듈(137)은 추출한 데이터의 카테고리와 무관하게 데이터를 활용할 수 있도록 하기 위하여 추출된 데이터를 정형화하는 작업을 수행할 수 있다. 예를 들어, 분석 모듈(135)에서 추출한 정보와 추가적인 메타정보를 삽입하여 [데이터 소스, 암호화폐 종류,카테고리] 순으로 정형화 할 수 있다.
그래프 생성부(150)는 상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성하는 구성으로, 암호화폐 네트워크 그래프 생성 모듈(151), 지식 그래프 생성 모듈(153), 거래 분석 지식 그래프 생성 모듈(155)을 포함할 수 있다.
암호화폐 네트워크 그래프 생성 모듈(151)은 정형화된 블록체인 데이터에서 추출한 제1 객체 또는 제1 속성으로 제1 노드를 생성하고, 각 노드 관 관계(edge)를 이용하여 암호화폐 네트워크 그래프를 구축할 수 있다. 예를 들어, 암호화폐 입력 주소(객체 노드) - 전송 금액(엣지) > 거래 노드 - 전송 금액(엣지) > 암호화폐 출력 주소(객체 노드)와 같은 네트워크 그래프나, 그룹 정보가 반영된 소유주 X(객체 노드) - 전송 금액(엣지) > 거래 노드 - 전송 금액(엣지) > 랜섬웨어(속성 노드)와 같은 네트워크 그래프가 생성될 수 있다. 위 설명에서 ‘>’는 방향성을 나타내는 것으로, 본 발명의 일 실시 예에 의한 엣지는 방향성을 갖는 것일 수 있다.
암호화폐 네트워크 그래프는 분류된 카테고리에 따라 하나 이상의 레이어에 표시될 수 있다. 도 10을 참조하면, 암호화폐의 종류에 따라 레이어가 구분되는 경우, 레이어 #1(210a)에는 비트코인 데이터가, 레이어 #n(210b)에는 이더리움 데이터가 표시될 수 있다. 그 외에도 사용자 정의에 따른 분류 기준에 의해 암호화폐 네트워크 그래프는 다수의 레이어에 표시될 수 있다.
지식 그래프 생성 모듈(153)은 정형화된 다기종 데이터에서 추출한 제2 객체 또는 제2 속성으로 제2 노드를 생성하고, 각 노드 관 관계(edge)를 이용하여 지식 그래프를 구축할 수 있다. 예를 들어, 지식 그래프 생성 모듈(153)은 웹페이지에서 추출한 프로필 데이터를 이용하여 사용자 아이디(객체 노드) - 소유(엣지) > 암호화폐 주소(객체 노드)와 같은 노드 및 엣지를 생성할 수 있으며, 웹페이지에서 추출한 판매 데이터를 이용하여 암호화폐 주소(객체 노드) - 입금(엣지) > 제품(객체 노드)와 같은 노드 및 엣지를 생성함으로써 지식 그래프를 구축할 수 있다. 지식 그래프 역시 암호화폐 네트워크 그래프와 같이 하나 이상의 레이어에 표시될 수 있어(230a, 230b), 멀티 레이어 구조를 가질 수 있다. 레이어 별 지식 그래프는 서로 다른 카테고리에 속한 것일 수 있다.
거래 분석 지식 그래프 생성 모듈(155)은 서로 상응하는 제1 노드와 제2 노드를 맵핑하여 거래 분석 지식 그래프를 생성할 수 있다. 예를 들어, 암호화폐 네트워크 그래프(210)의 레이어 #1(210a)에 포함된 노드(A)가 주소 a에 대응되고, 노드(B)가 주소 b에 대응되며 두 주소는 동일 그룹에 속하는 관계이며, 지식 그래프의 레이어 #1(230a)에 포함된 노드(C)가 암호화폐 주소 b라고 가정하자. 노드 (B)와 노드(C)는 동일 정보를 포함하므로 상호 맵핑될 수 있다(도 8 참조). 즉, 거래 분석 지식 그래프(200)는 암호화폐 네트워크 그래프(210)와 지식 그래프(230)의 노드들이 상호 맵핑된 다중 레이어 구조를 가질 수 있으며, 따라서 거래 분석 지식 그래프(200)를 이용하면, 암호화폐 네트워크 그래프(210)의 구성요소를 지식 그래프(230)의 구성요소를 통해 해석하는 작업이 가능하다. 예를 들어, 노드(C)가 사용자 ID를 나타내는 노드 (D)와 소유자 엣지로 연결되어 있다면, 주소 a와 b의 소유주는 노드 (D)에 대응되는 사용자 ID를 갖는 사람이라고 판단할 수 있다.
그래프 분석부(170)는 거래 분석 지식 그래프를 분석하는 그래프 분석 모듈(171)과 금전 거래의 유사도를 분석하는 유사도 분석 모듈(173)을 포함할 수 있다.
그래프 분석 모듈(171)은 암호화폐 거래 분석을 위해 거래 분석 지식 그래프(200)를 분석할 수 있다. 예를 들어, 상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하고, 상기 지식 그래프를 이용하여 자금 흐름 그래프에 포함된 각 노드의 속성을 식별할 수 있다.
나아가, 그래프 분석 모듈(171)은 그래프 알고리즘에 기반하여 거래 분석 지식 그래프에서 암호화폐 거래의 주요 노드를 추적할 수 있다. 예를 들어, Centrality 분석을 통해 자금 흐름의 중심 노드를 추출하거나, 특정 제품의 자금 흐름 내역과 관련된 노드를 추출할 수 있다. 또는 경로(path) 분석을 통해 객체 간 금전 거래의 상관관계를 분석할 수 있다.
또한, 그래프 분석 모듈(171)은 오염 분석 기술을 바탕으로 암호화폐의 자금 흐름을 추적할 수 있는데, 이에 대해서는 도 6 내지 7, 9 내지 10을 참조하여 후술하기로 한다.
유사도 분석 모듈(173)은 지식 그래프를 기반으로 금전 거래의 패턴을 도출할 수 있다. 예를 들어, 마약 거래가 특정 사용자 A에 의해 암호화폐 거래 사이트 B에서 자주 이루어지는 경우, 지식 그래프에는 특정 사용자- 마약 거래- 암호화폐 거래 사이트 노드 및 엣지가 다수 존재할 것이므로, 유사도 분석 모듈(173)은 지식 그래프에서위 내용을 하나의 패턴으로 정의할 수 있다.
유사도 분석 모듈(173)은 기계학습을 이용하여 금전 거래 패턴을 학습할 수 있으며, 유사 패턴을 도출할 수도 있다. 예를 들어, 노드에 대한 입력/출력 수준(degree, 관계(edge) 대한 시퀀스, 금액, 기타 객체와 해당 객체의 속성(property)을 학습함으로써 패턴 학습을 수행할 수 있다. 또한 유사도 분석 모듈(173)은 동적으로 패턴을 도출함으로써, 의심스러운 금전 거래 패턴이 발생된 경우 알람을 생성하여 사용자에게 제공할 수 있다.
저장부(190)는 정형화된 블록체인 데이터나 정형화된 다기종 데이터, 그래프 생성부(150)에서 생성된 암호화폐 네트워크 그래프, 지식 그래프, 거래 분석 지식 그래프 등을 저장할 수 있다. 저장부(190)는 암호화폐 거래 분석 시스템(100)에 포함된 것일 수도 있으나, 암호화폐 거래 분석 시스템(100) 외부에 구축된 데이터베이스일 수 있다.
이하에서는 도 2 내지 도 10을 참조하여, 본 발명의 일 실시 예에 따른 암호화폐 거래 분석 방법을 설명한다.
도 2는 본 발명의 일 실시 예에 따른 암호화폐 거래 분석 방법을 설명하기 위한 순서도이다. 도 2를 참조하면, 전자 장치는 특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 방식으로 블록체인 데이터를 관리할 수 있다(S100). 다음으로 전자 장치는 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 방식으로 다기종 데이터를 관리할 수 있다(S200). 전자 장치는 상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성할 수 있다(S500). 그리고 전자 장치는 상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하고, 상기 지식 그래프를 이용하여 자금 흐름 그래프에 포함된 각 노드의 속성을 식별함으로써 그래프 분석을 수행할 수 있다(S700). 암호화폐 거래 분석 방법을 수행하는 전자 장치는 컴퓨터 프로세서 및 유무선 통신 모듈을 포함하는 장치로써, 사용자 단말로부터 설정 정보, 시드 정보 및 질의 등을 수신하고 암호화폐 클라이언트 및 웹에서 필요한 정보들을 수집하여 암호화폐 거래 분석 방법의 각 단계들을 수행할 수 있다.
도 3을 참조하면, 단계 100에서 전자 장치는 하나 이상의 암호화폐 클라이언트를 실행하여 블록체인의 분산원장 정보를 수집하는 블록체인 데이터 수집하고(S130), 상기 분산원장 정보를 이용하여 동일 소유주로 추정되는 주소를 그룹화하는 등 블록체인 데이터를 분석할 수 있다(S150). 전자 장치는 단계 150에서 거래의 송신주소로 사용되는 가상화폐 주소에 해당하는 프라이빗 키의 소유 여부로 송신 주소의 집합을 그룹화하는 멀티 입력 휴리스틱 알고리즘 사용하여, 일 거래에 포함된 복수 개의 입력 주소를 그룹화하거나 동일 주소를 포함하는 복수의 그룹을 하나의 그룹으로 그룹화할 수 있다. 나아가 주소변경 휴리스틱 알고리즘을 사용, 송금 후 잔액을 돌려받는 주소를 이용하여 동일 소유주로 추정되는 복수개의 주소를 그룹화할 수 있다.
다음으로 전자 장치는 상기 분산원장 정보 및 상기 데이터 분석 모듈에서 분석한 그룹 정보를 포함하는 블록체인 데이터를 미리 설정된 기준에 따라 정형화할 수 있다(S170).
도 4를 참조하면, 단계 300에서 전자 장치는 웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하고(S310), 상기 다기종 데이터를 거래 속성에 따른 카테고리 별로 분류하고(S330), 상기 다기종 데이터에서 암호화폐 주소, 거래 정보 또는 사용자 정보 중 적어도 하나를 추출하여 다기종 데이터를 분석 할 수 있다(S350). 그리고 상기 추출한 정보를 미리 설정된 기준에 따라 정형화 할 수 있다(S370).
도 5를 참조하면, 단계 500에서 전자 장치는 상기 정형화된 블록체인 데이터에서 추출한 제1 객체 또는 제1 속성으로 제1 노드를 생성하고, 노드 간 관계를 엣지(edge)로 연결하여 암호화폐 네트워크 그래프를 구축하고(S530), 상기 정형화된 다기종 데이터에서 추출한 제2 객체 또는 제2 속성으로 제2 노드를 생성하고, 노드 간 관계를 엣지로 연결하여 지식 그래프를 구축할 수 있다(S550). 전자 장치는 암호화폐 네트워크 그래프와 지식 그래프에서 서로 상응하는 제1 노드와 제2 노드를 맵핑하여 거래 분석 지식 그래프를 생성할 수 있다(S570).
단계 700을 도 6 내지 도 8을 참조하여 보다 자세하게 살펴본다. 도 6은 단계 700에서 자금 흐름 그래프를 생성하는 단계를 보다 자세하게 설명하기 위한 순서도이다. 전자 장치는 제1 암호화폐 주소에서 흘러간 자금 흐름을 추적하고자 할 때, 다음과 같은 방법으로 출력 자금 흐름 그래프를 생성한다.
도 6을 참조하면, 전자 장치는 단계 a에서 먼저 상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 입력 노드로 지정하고, 상기 입력 노드의 주소를 입력 주소로 하는 하나 이상의 제1 거래 정보를 검색한다(S713). 다음으로 전자 장치는 거래 노드, 출력 노드와 엣지를 생성한다(S715). 단계 715는 단계 b 및 c를 포함한다. 단계 b는 상기 제1 거래 정보를 이용하여 각 거래에 대한 거래 노드(TX))를 생성하고, 상기 입력 노드와 상기 거래 노드를 입력 엣지(TxIn)로 연결하는 단계이며, 단계 c는 상기 제1 거래 정보에 포함된 출력 주소에 대응되는 출력 노드(Addr)를 생성하고, 상기 거래 노드와 상기 출력 노드를 출력 엣지(TxOut)로 연결하는 단계이다. 다음으로 단계 d에서 전자 장치는 상기 입력 엣지 및 상기 출력 엣지에 대해 전송된 금액을 레이블링하고, 출력이 소비되지 않은 거래에 대응되는 출력 엣지에는 UTXO 태그를 레이블링할 수 있다(S717). 전송 금액 및 태그의 레이블링이 완료되면 전자 장치는 출력 엣지에 UTXO 태그가 레이블링되어 있는지 여부를 확인하고, UTXO 태그가 레이블링되지 않은 출력 엣지에 대해서 출력 노드들을 입력 노드로 지정함으로써단계 713 내지 단계 717를 반복적으로 수행한다. 전자 장치는 출력 엣지에 UTXO 태그가 레이블링되어 있거나 제1 거래 정보에 포함된 출력 주소가 기 식별된 주소로 판단되면, 해당 엣지와 연결된 출력 노드에 대해서는 그래프 생성을 종료할 수 있다.
자금 흐름 그래프를 생성하는 방법에 대한 예시는 도 11에 도시되어 있다. 도 11는 불법 비트코인 주소(illicit address)(500)에서 흘러간 자금 흐름을 추적하기 위한 그래프로, 본 발명의 일 실시 예에 의한 자금 흐름 그래프는 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 루트 노드로 하는 루트 지향 그래프이다. 불법 비트코인 주소에서 흘러간 자금 흐름을 추적하고자 할 때, 우선 불법 비트코인 주소를 입력 노드(루트 노드)로 지정하고, 루트 노드(500)의 주소를 입력 주소로 하는 하나 이상의 거래 정보를 검색한다. 그런 다음 전자 장치는 각 거래에 대한 거래 노드(TX)를 생성하고, 루트 노드에서 거래 노드(TX)를 입력 엣지(TxIn)로 연결한다. 다음으로 출력 주소에 대한 출력 노드(Addr)를 생성하고 출력 노드를 가리키는 출력 엣지(TxOut)을 사용하여 거래 노드(TX)와 출력 노드(Addr)를 연결한다. 생성된 출력 노드 각각에 대응되는 출력 주소를 입력 주소로 하는 후속 거래를 이용하여 자금 흐름 그래프를 생성한다. 후속 거래는 현재 거래의 출력(TxOut)이 다음 거래의 입력(TxIn)으로 소비되는 거래를 의미한다. 도 11에 도시된 바와 같이 addr k를 입력으로 하는 두 개의 거래(TX E와 TX F)가 존재하더라도, 그래프 분석 모듈(171)은 TX E를 다음 거래로 추적하기 때문에 입력 엣지 TxIn(e)만을 출력 엣지 TxOut(b)로부터 소비된 것으로 분석한다. 거래 TX F에서 처리된 비트코인은 불법 비트코인 주소가 아닌 TxOut(c)에서 온 것이므로 본 자금 흐름 추적에서는 버려진다. 전자 장치의 그래프 분석 모듈(171)은 불법적인 주소(루트 노드)로부터 시작하여 그래프에 자금 수신 주소를 계속 추가함으로써 그래프를 확장한다. 그래프 분석 모듈(171)은 마지막 출력 노드가 UTXO 태그가 있는 TXOut 엣지로 식별될 때까지 그래프에 거래 노드 및 출력 노드를 반복적으로 추가한다. 또한 그래프 분석 모듈(171)은 그래프에 새로운 주소 노드를 추가할 때 암호화폐 서비스 업체의 암호화폐 주소를 알아내어 해당 정보를 해당하는 주소 그룹(클러스터)에 태깅할 수 있다. 주소가 잘 알려진 서비스 제공 업체의 소유인 경우, 그래프 분석 모듈(171)은 노드에 서비스 이름을 레이블링하고 다음 거래정보 탐색을 중지할 수 있다.
본 발명의 일 실시 예에 의한 불법 자금 추적의 최종 목적지가 되는 서비스 제공 업체의 일 예로는 암호화폐의 교환이 이루어지는 거래소나 월렛 서비스 제공 업체, 포커, 카지노와 같은 온라인 갬블링 사이트, 불법적인 제품을 판매 또는 구매할 수 있는 판매소, 익명성 향상을 위해 암호화폐를 세탁하는 업체 등이 있을 수 있다.
단계 700에서, 자금 흐름 그래프의 생성이 완료되면, 전자 장치 또는 그래프 분석 모듈(171)은 자금 흐름을 계량화함으로써 자금의 흐름을 추적할 수 있다. 자금 흐름 추적은 한 주소에서 다른 주소로 전송된 암호화폐의 양을 정량화하는 방법을 통해 수행될 수 있다.
출력 자금 흐름을 추적하기 위하여, 전자 장치는 제1 거래 노드와 연결된 모든 출력 엣지에 레이블링된 금액의 합 대비 제1 출력 엣지에 레이블링된 금액의 비율을 제1 출력 엣지의 오염 비율로 연산하고(S731), 제1 거래 노드와 입력 엣지로 연결된 제1 입력 노드의 오염값과 제1 출력 엣지의 오염 비율을 이용하여 제1 출력 엣지와 연결된 제1 출력 노드의 오염값을 산출한다(S733). 루트 노드의 오염값은 1 이다. 전자 장치는 제1 출력 노드의 오염값을 제1 암호화폐 주소로부터 수신된 자금의 비율로 판단함으로써 자금 흐름을 식별할 수 있다(S735).
출력 자금 흐름을 추적함에 있어서, 오염값은 자금 흐름을 추적하고자 하는 제1 암호화폐 주소(최초 입력 주소)에서 각 목적지 주소(출력 주소)로 전송된 암호화폐의 비율을 의미한다.
하기 수학식 1 내지 3은 본 발명의 일 실시 예에 따른 자금 흐름 계량화 방법을 수식으로 나타낸 것이다.
Figure PCTKR2020000951-appb-M000001
입력 노드의 오염값
Figure PCTKR2020000951-appb-I000001
는 수학식 1에 나타나있다. 수학식 1에서
Figure PCTKR2020000951-appb-I000002
는 탈퇴 거래 t와 목적지 암호화폐 주소 b에 도달하는 다음 거래의 집합을 포함하는 j 번째 거래의 집합이며 거래 pt는 집합
Figure PCTKR2020000951-appb-I000003
에 속한 거래 중 하나이다. 나아가
Figure PCTKR2020000951-appb-I000004
는 거래 pt의 출력 엣지 i의 금액이며,
Figure PCTKR2020000951-appb-I000005
는
Figure PCTKR2020000951-appb-I000006
에 속한 다음 거래에서 소비된 후속 출력 엣지에 대응되는 금액이다. 즉, 현재 거래에서 출력에 속한 값을 현재 거래에 속한 모든 출력값으로 나눈 비율을 곱해간다. 또한, 현재 거래에서 출력이 소비되는 다음 거래(next transaction)을 지속적으로 따라가며,
Figure PCTKR2020000951-appb-I000007
에 속한 모든 거래에서 계산되는 모든 출력 금액에 대한 비율을 곱한다. 최종적으로 각각의 거래집합 j에 대해 곱한 값을 모두 합하여 입력 노드 a에서 거래 t를 시작으로 출력 노드 b로 가는 오염값을 계산한다.
Figure PCTKR2020000951-appb-M000002
수학식 2는 입력 주소 a에서 각 자금 출금 거래로의 자금 흐름 비율을 반영하기 위해 거래 t에서 입력 자금의 일 부분을 입력 자금의 합으로 나눈 값을 나타내는 정규화 함수로 오염 비율(
Figure PCTKR2020000951-appb-I000008
)를 정의한 것이다. 입력 엣지의 주소가 인풋 노드의 주소 a와 동일한 모든 입력 엣지에 대해,
Figure PCTKR2020000951-appb-I000009
는 거래 t에서의 입력 엣지 i의 금액이며,
Figure PCTKR2020000951-appb-I000010
는 모든 출금 거래에 대한 거래 k의 입력 엣지 i의 금액을 나타낸다. 비율을 계산하기 위해서 거래 t의 입력 엣지에 해당하는 금액의 총 합을 모든 출력거래 T에 속한 입력 엣지 금액의 총 합으로 나눈다.
Figure PCTKR2020000951-appb-M000003
수학식 3은 최종 오염값
Figure PCTKR2020000951-appb-I000011
에 대한 수식이다. 최종 오염값
Figure PCTKR2020000951-appb-I000012
는 각 거래 t에 대한 오염비율과 입력 노드의 오염값을 곱하고 모든 출력거래 T에 속한 거래 t에 대해 계산한 값을 더하여 산출한다.
[규칙 제91조에 의한 정정 13.02.2020]　
도 12에 오염값 산출 방법을 설명하기 위하여 자금 흐름을 추적하고자 하는 불법 비트코인 주소(500)를 루트 노드로 하는 자금 흐름 그래프가 개시되어 있다. 불법 자금의 양이 10BTC일 때, 거래노드 TX1을 통해 자금은 두 개의 다른 비트코인 주소인 BTC1과 BTC2로 전송된다. 여기서 불법 자금의 20%는 BTC1로, 80%는 BTC2로 전송된다. 거래노드 TX1에서의 출력 엣지에 UTXO 태그가 레이블링되어 있으므로, BTC1의 최종 오염값이 산출되며, BTC1의 최종 오염값은 20%이다. 거래노드 TX2를 가로질러 각 출력 주소로 전송된 총 출력량의 비율을 기반으로 각 출력 노드의 최종 오염값을 계산하면, BTC3의 최종 오염값은 16 % (0.8 * 0.2 = 0.16)이며, BTC4와 BTC5의 최종 오염값은 각각 24 % (0.8 * 0.3 = 0.24) 및 40 % (0.8 * 0.5 = 0.4)이다. TX1 및 TX2의 BTC1 및 BTC3에 대한 출력은 미사용으로 남아 있고 BTC4 및 BTC5는 잘 알려진 비트코인 서비스 제공자 (즉, 교환 서비스)에 의해 소유되기 때문에 그래프 분석 모듈(171)은 추가적인 다음 거래의 추적을 수행할 수 없다. 도 10의 실시 예에서, 10개의 불법 비트코인 중 36%의 비트코인이 미사용 상태로 남아있으며, 64%의 비트코인이 거래소와 같은 교환(exchange) 카테고리의 주소로 송금되었다고 추정할 수 있다. 이와 같이, 본 발명에 의하면 암호화폐의 익명성에도 불구하고 얼마나 많은 불법 자금이 어디로 유입되었는지 파악할 수 있다.
단계 700의 다른 실시 예로, 도 7를 참조하면, 전자 장치는 입력 자금 흐름을 추적하기 위한 입력 자금 흐름 그래프를 생성하고, 입력 자금 흐름을 추적할 수 있다. 입력 자금 흐름의 추적은 상술한 출력 자금 흐름 그래프 생성 및 출력 자금 흐름 추적을 역으로 수행하여 이루어질 수 있다. 예를 들어, 입력 자금 흐름 그래프는 거래 분석 지식 그래프에서 입력 자금 흐름을 추적하고자 하는 제2 암호화폐 주소를 출력 노드로 지정하고, 출력 노드의 주소를 출력 주소로 하는 하나 이상의 제2 거래 정보를 검색하는 a’단계(S723), 제2 거래 정보를 이용하여 각 거래에 대한 거래 노드(Tx)를 생성하고, 출력 노드와 거래 노드를 출력 엣지(TxOut)로 연결하는 b’단계 및 제2 거래 정보에 포함된 입력 주소에 대응되는 입력 노드(Addr’)를 생성하고, 거래 노드(Tx)와 입력 노드를 입력 엣지(TxIn)로 연결하는 c’단계(S725), 입력 엣지 및 출력 엣지에 대해 전송된 금액을 레이블링하는 d’단계(S727), 제2 거래 정보에 포함된 입력 주소가 기 식별된 주소로 판단될 때까지 입력 노드를 출력 노드로 지정하여 a’내지 d’단계를 반복 수행(S729)함으로써 생성될 수 있다. 즉, 입력 자금 흐름 그래프의 생성은 추적 대상이 되는 노드를 가장 하위 노드로 하여 해당 노드에 암호화폐를 전송한 상위 노드를 탐색하는 과정으로 이해될 수 있다.
단계 719 및 729의 경우, 특정 조건을 설정하여 해당 조건이 만족할 떄까지 자금 흐름 그래프를 생성하는 것도 가능하나, 사용자가 노드 생성의 깊이(depth)를 설정하여 원하는 깊이만큼 그래프를 생성할 수도 있다.
입력 자금의 흐름을 추적함에 있어서, 도 9를 참조하면, 전자 장치는 제2 거래 노드와 연결된 모든 입력 엣지에 레이블링된 금액의 합 대비 제2 입력 엣지에 레이블링된 금액의 비율을 상기 제2 입력 엣지의 오염 비율로 연산하고(S751), 상기 제2 거래 노드와 출력 엣지로 연결된 제2 출력 노드의 오염값과 상기 제2 입력 엣지의 오염 비율을 이용하여 상기 제2 입력 엣지와 연결된 제2 입력 노드의 오염값을 산출하여(S753), 상기 제2 입력 노드의 오염값을 상기 제2 암호화폐 주소로 유입된 자금의 비율로 판단할 수 있다(S755).
본 발명의 실시예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매 체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬 (ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치 가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하 는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드 뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 명세서에서 생략된 일부 실시 예는 그 실시 주체가 동일한 경우 동일하게 적용 가능하다. 또한, 전술한 본 발명은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니다.

Claims (16)

  1. 전자 장치가 암호화폐 거래를 분석하는 방법에 있어서,
    특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 블록체인 관리 단계;
    웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 다기종 데이터 관리 단계;
    상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성하는 그래프 생성 단계;
    상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하는 그래프 분석 단계를 포함하는 암호화폐 거래 분석 방법.
  2. 제1항에 있어서,
    상기 블록체인 관리 단계는,
    하나 이상의 암호화폐 클라이언트를 실행하여 블록체인의 분산원장 정보를 수집하는 블록체인 데이터 수집 단계;
    상기 분산원장 정보를 이용하여 동일 소유주로 추정되는 주소를 그룹화하는 블록체인 데이터 분석 단계;
    상기 분산원장 정보 및 상기 데이터 분석 모듈에서 분석한 그룹 정보를 포함하는 블록체인 데이터를 미리 설정된 기준에 따라 정형화하는 블록체인 데이터 정형화 단계를 포함하는 암호화폐 거래 분석 방법.
  3. 제2항에 있어서,
    상기 블록체인 데이터 분석 단계는
    암호화폐 주소에 대응되는 프라이빗 키(private key)의 소유 여부를 이용하여 일 거래에 포함된 복수 개의 입력 주소를 그룹화하거나 동일 주소를 포함하는 복수의 그룹을 하나의 그룹으로 그룹화하는 멀티 입력 휴리스틱 단계;
    송금 후 잔액을 돌려받는 주소를 이용하여 동일 소유주로 추정되는 복수개의 주소를 그룹화하는 주소 변경 휴리스틱 단계 중 적어도 하나를 포함하는 암호화폐 거래 분석 방법.
  4. 제1항에 있어서,
    상기 다기종 데이터 관리 단계는,
    웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하는 다기종 데이터 수집 단계;
    상기 다기종 데이터를 거래 속성에 따른 카테고리 별로 분류하는 다기종 데이터 분류 단계;
    상기 다기종 데이터에서 암호화폐 주소, 거래 정보 또는 사용자 정보 중 적어도 하나를 추출하는 다기종 데이터 분석 단계;
    상기 추출한 정보를 미리 설정된 기준에 따라 정형화 하는 다기종 데이터 정형화 단계를 포함하는 암호화폐 거래 분석 방법.
  5. 제1항에 있어서,
    상기 그래프 생성 단계는,
    상기 정형화된 블록체인 데이터에서 추출한 제1 객체 또는 제1 속성으로 제1 노드를 생성하여 암호화폐 네트워크 그래프를 구축하는 단계;
    상기 정형화된 다기종 데이터에서 추출한 제2 객체 또는 제2 속성으로 제2 노드를 생성하여 지식 그래프를 구축하는 단계;
    서로 상응하는 제1 노드와 제2 노드를 맵핑하여 거래 분석 지식 그래프를 생성하는 단계를 포함하는 암호화폐 거래 분석 방법.
  6. 제1항에 있어서,
    상기 그래프 분석 단계는
    상기 거래 분석 지식 그래프에서 출력 자금 흐름을 추적하고자 하는 제1 암호화폐 주소를 입력 노드로 지정하고, 상기 입력 노드의 주소를 입력 주소로 하는 하나 이상의 제1 거래 정보를 검색하는 a 단계;
    상기 제1 거래 정보를 이용하여 각 거래에 대한 거래 노드(Tx)를 생성하고, 상기 입력 노드와 상기 거래 노드를 입력 엣지(TxIn)로 연결하는 b 단계;
    상기 제1 거래 정보에 포함된 출력 주소에 대응되는 출력 노드(Addr)를 생성하고, 상기 거래 노드와 상기 출력 노드를 출력 엣지(TxOut)로 연결하는 c 단계;
    상기 입력 엣지 및 상기 출력 엣지에 대해 전송된 금액을 레이블링하고, 출력이 소비되지 않은 거래에 대응되는 출력 엣지에는 UTXO 태그를 레이블링하는 d 단계;
    상기 UTXO 태그가 레이블링된 출력 엣지가 식별되거나 상기 제1 거래 정보에 포함된 출력 주소가 기 식별된 주소로 판단될 때까지 상기 출력 노드를 입력 노드로 지정하여 상기 a 내지 상기 d 단계를 반복 수행하여 출력 자금 흐름 그래프를 생성하는 단계를 포함하는 암호화폐 거래 분석 방법.
  7. 제6항에 있어서,
    상기 그래프 분석 단계는
    제1 거래 노드와 연결된 모든 출력 엣지에 레이블링된 금액의 합 대비 제1 출력 엣지에 레이블링된 금액의 비율을 상기 제1 출력 엣지의 오염 비율로 연산하는 단계;
    상기 제1 거래 노드와 입력 엣지로 연결된 제1 입력 노드의 오염값과 상기 제1 출력 엣지의 오염 비율을 이용하여 상기 제1 출력 엣지와 연결된 제1 출력 노드의 오염값을 산출하는 단계;
    상기 제1 출력 노드의 오염값을 상기 제1 암호화폐 주소로부터 수신된 자금의 비율로 판단하는 단계를 통해 출력 자금 흐름을 추적하는 단계를 포함하는 암호화폐 거래 분석 방법.
  8. 제1항에 있어서,
    상기 그래프 분석 단계는
    상기 거래 분석 지식 그래프에서 입력 자금 흐름을 추적하고자 하는 제2 암호화폐 주소를 출력 노드로 지정하고, 상기 출력 노드의 주소를 출력 주소로 하는 하나 이상의 제2 거래 정보를 검색하는 a’단계;
    상기 제2 거래 정보를 이용하여 각 거래에 대한 거래 노드(Tx)를 생성하고, 상기 출력 노드와 상기 거래 노드를 출력 엣지(TxOut)로 연결하는 b’단계;
    상기 제2 거래 정보에 포함된 입력 주소에 대응되는 입력 노드(Addr’)를 생성하고, 상기 거래 노드(Tx)와 상기 입력 노드를 입력 엣지(TxIn)로 연결하는 c’단계;
    상기 입력 엣지 및 상기 출력 엣지에 대해 전송된 금액을 레이블링하는 d’단계;
    상기 제2 거래 정보에 포함된 입력 주소가 기 식별된 주소로 판단될 때까지, 상기 입력 노드를 출력 노드로 지정하여 상기 a’내지 상기 d’단계를 반복 수행하여 입력 자금 흐름 그래프를 생성하는 단계를 포함하는 암호화폐 거래 분석 방법.
  9. 제8항에 있어서,
    상기 그래프 분석 단계는
    제2 거래 노드와 연결된 모든 입력 엣지에 레이블링된 금액의 합 대비 제2 입력 엣지에 레이블링된 금액의 비율을 상기 제2 입력 엣지의 오염 비율로 연산하는 단계;
    상기 제2 거래 노드와 출력 엣지로 연결된 제2 출력 노드의 오염값과 상기 제2 입력 엣지의 오염 비율을 이용하여 상기 제2 입력 엣지와 연결된 제2 입력 노드의 오염값을 산출하는 단계;
    상기 제2 입력 노드의 오염값을 상기 제2 암호화폐 주소로 유입된 자금의 비율로 판단하는 단계를 통해 입력 자금 흐름을 추적하는 암호화폐 거래 분석 방법.
  10. 제6항에 있어서,
    상기 그래프 분석 단계는
    임의의 제2 출력 노드 생성 시 상기 제2 출력 노드의 소유권 정보를 쿼리하여 상기 제2 출력 노드의 주소 소유자를 식별하고, 상기 주소 소유자가 기 저장된 서비스 목록에 포함된 서비스 중 하나이면, 상기 제2 출력 노드에 상기 주소 소유자를 레이블링하고 거래 정보 검색을 중지하는 단계를 더 포함하는 암호화폐 거래 분석 방법.
  11. 특정 암호화폐에 대응되는 블록체인의 분산원장 정보를 수집하고 상기 분산원장 정보에서 추출한 블록체인 데이터를 정형화하는 블록체인 관리부;
    웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하여 정형화하는 다기종 데이터 관리부;
    상기 정형화된 블록체인 데이터를 이용하여 암호화폐 네트워크 그래프를 구축하고, 상기 정형화된 다기종 데이터를 이용하여 지식 그래프를 구축하고, 상기 암호화폐 네트워크 그래프와 상기 지식 그래프를 맵핑하여 다중 레이어 기반 거래 분석 지식 그래프를 생성하는 그래프 생성부;
    상기 거래 분석 지식 그래프에서 자금 흐름을 추적하고자 하는 암호화폐 주소를 입력 주소로 하는 거래 정보를 탐색하고, 입력 주소와 출력 주소를 노드로 하는 자금 흐름 그래프를 생성하여 자금 흐름을 추적하고, 상기 지식 그래프를 이용하여 자금 흐름 그래프에 포함된 각 노드의 속성을 식별하는 그래프 분석부를 포함하는 암호화폐 거래 분석 시스템.
  12. 제11항에 있어서,
    상기 블록체인 관리부는,
    하나 이상의 암호화폐 클라이언트를 실행하여 블록체인의 분산원장 정보를 수집하는 블록체인 데이터 수집 모듈;
    상기 분산원장 정보에 포함된 암호화폐 주소의 소유주 추정을 위해 상기 암호화폐 주소를 그룹화하는 블록체인 데이터 분석 모듈;
    상기 분산원장 정보 및 상기 데이터 분석 모듈에서 분석한 암호화폐 주소 그룹 정보를 포함하는 블록체인 데이터를 미리 설정된 기준에 따라 정형화하는 블록체인 데이터 정형화 모듈을 포함하는 암호화폐 거래 분석 시스템.
  13. 제12항에 있어서,
    상기 블록체인 데이터 분석 모듈은
    암호화폐 주소에 대응되는 프라이빗 키(private key)의 소유 여부를 이용하여 일 거래에 포함된 복수 개의 입력 주소를 그룹화하거나 동일 주소를 포함하는 복수의 그룹을 하나의 그룹으로 그룹화하는 멀티 입력 휴리스틱 알고리즘, 송금 후 잔액을 돌려받는 주소를 이용하여 동일 소유주로 추정되는 복수개의 주소를 그룹화하는 주소 변경 휴리스틱 알고리즘 중 적어도 하나를 이용하여 상기 암호화폐 주소를 그룹화하는 암호화폐 거래 분석 시스템.
  14. 제11항에 있어서,
    상기 다기종 데이터 관리부는,
    웹에서 상기 암호화폐 거래와 관련된 다기종 데이터를 수집하는 다기종 데이터 수집 모듈;
    상기 다기종 데이터를 거래 속성 또는 데이터 소스에 따라 분류하는 다기종 데이터 분류 모듈;
    상기 다기종 데이터에서 암호화폐 주소, 거래 정보, 컨텐츠 유형 또는 사용자 정보 중 적어도 하나를 추출하는 다기종 데이터 분석 모듈;
    상기 추출한 정보를 미리 설정된 기준에 따라 정형화 하는 다기종 데이터 정형화 모듈을 포함하는 암호화폐 거래 분석 시스템.
  15. 제11항에 있어서,
    상기 그래프 생성부는,
    상기 정형화된 블록체인 데이터에서 추출한 제1 객체 또는 제1 속성으로 제1 노드를 생성하여 암호화폐 네트워크 그래프를 구축하는 모듈;
    상기 정형화된 다기종 데이터에서 추출한 제2 객체 또는 제2 속성으로 제2 노드를 생성하여 지식 그래프를 구축하는 모듈;
    서로 상응하는 제1 노드와 제2 노드를 맵핑하여 거래 분석 지식 그래프를 생성하는 모듈을 포함하는 암호화폐 거래 분석 시스템.
  16. 제1항 내지 제10항의 방법 중 어느 하나의 방법을 실행시키기 위하여 컴퓨터 판독 가능 매체에 저장된 암호화폐 거래 분석 응용 프로그램.
PCT/KR2020/000951 2019-01-22 2020-01-20 암호화폐 거래 분석 방법 및 시스템 WO2020153688A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021539150A JP7313597B2 (ja) 2019-01-22 2020-01-20 暗号通貨取引の分析方法及びシステム
CN202080010561.3A CN113544727A (zh) 2019-01-22 2020-01-20 加密货币交易分析方法和***
US17/424,828 US20220027900A1 (en) 2019-01-22 2020-01-20 Cryptocurrency transaction analysis method and system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0007814 2019-01-22
KR1020190007814A KR102185191B1 (ko) 2019-01-22 2019-01-22 암호화폐 거래 분석 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2020153688A1 true WO2020153688A1 (ko) 2020-07-30

Family

ID=71735970

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/000951 WO2020153688A1 (ko) 2019-01-22 2020-01-20 암호화폐 거래 분석 방법 및 시스템

Country Status (5)

Country Link
US (1) US20220027900A1 (ko)
JP (1) JP7313597B2 (ko)
KR (1) KR102185191B1 (ko)
CN (1) CN113544727A (ko)
WO (1) WO2020153688A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365248A (zh) * 2020-11-16 2021-02-12 厦门市美亚柏科信息安全研究所有限公司 一种分析数字货币交易路径的方法及***
CN113269649A (zh) * 2021-06-16 2021-08-17 上海势炎信息科技有限公司 一种数字货币追踪的***和方法
WO2023003445A1 (ko) * 2021-07-23 2023-01-26 주식회사 핑거 가격변동 리스크 회피 가능한 가상화폐 결제 시스템 및 방법
NL2030770A (en) * 2021-09-07 2023-03-10 Univ Beijing Science & Technology Digital currency trading community recognition method, system and device, and storage medium
CN116882998A (zh) * 2023-09-08 2023-10-13 成都链安科技有限公司 虚拟货币资金分析方法

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102079970B1 (ko) * 2019-04-30 2020-04-07 (주)에스투더블유랩 지식 그래프를 이용하여 사이버 시큐리티를 제공하는 방법, 장치 및 컴퓨터 프로그램
US20210312302A1 (en) * 2020-04-06 2021-10-07 International Business Machines Corporation Contextual integrity preservation
CN111680735B (zh) * 2020-06-02 2022-09-06 浙江大学 一种基于启发式交易分析的混币服务分析方法
KR102461925B1 (ko) * 2020-08-12 2022-10-31 두나무 주식회사 블록체인 네트워크의 위험 월렛 주소를 관리하는 방법 및 장치
CN116075841A (zh) 2020-08-24 2023-05-05 都纳木公司 调解虚拟资产传输的方法
KR102478133B1 (ko) 2020-08-24 2022-12-16 두나무 주식회사 가상자산 송신 중개 방법
KR102467484B1 (ko) * 2020-11-09 2022-11-15 계명대학교 산학협력단 해시레이트 및 트랜잭션을 이용한 비트코인 규모 추정 방법 및 장치
CN112650890A (zh) * 2020-12-28 2021-04-13 杭州趣链科技有限公司 一种基于图数据库的加密货币流向追踪方法与装置
US11693632B2 (en) * 2021-01-25 2023-07-04 Cisco Technology, Inc. Collaborative visual programming environment with cumulative learning using a deep fusion reasoning engine
KR102641486B1 (ko) * 2021-02-16 2024-02-27 주식회사 에스투더블유 가상화폐 트래킹 방법 및 그 장치
US11983161B2 (en) * 2021-06-23 2024-05-14 Bank Of America Corporation System for mitigating data loss in an edge computing environment using machine learning and distributed ledger techniques
KR102664348B1 (ko) * 2022-01-19 2024-05-09 고려대학교산학협력단 암호화폐 지갑 주소를 클러스터링하는 방법 및 이를 위한 장치
CN114841685B (zh) * 2022-04-12 2024-01-05 兰州大学 一种比特币交易的溯源方法及装置
CN115860933A (zh) * 2022-11-17 2023-03-28 北京理工大学 基于集成学习和图核分类技术的比特币混合服务检测方法
CN115987836A (zh) * 2022-12-28 2023-04-18 上海天旦网络科技发展有限公司 层级可扩展的云网络流分析方法及***
CN117376444B (zh) * 2023-08-30 2024-07-02 长江水上交通监测与应急处置中心 一种基于智能合约的长江航运数据上链方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050182708A1 (en) * 2004-02-13 2005-08-18 International Business Machines Corporation Financial transaction analysis using directed graphs
US20140172745A1 (en) * 2012-12-13 2014-06-19 Addepar, Inc. Transaction effects
US20150347480A1 (en) * 2014-05-30 2015-12-03 Georgetown University Process and Framework For Facilitating Data Sharing Using a Distributed Hypergraph
US20170366516A1 (en) * 2016-06-16 2017-12-21 The Bank Of New York Mellon Managing verifiable, cryptographically strong transactions

Family Cites Families (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2801065A4 (en) * 2012-01-05 2015-08-05 Visa Int Service Ass APPARATUS, METHODS AND SYSTEMS FOR VISUAL TRANSACTION CAPTURE
US10269009B1 (en) * 2013-06-28 2019-04-23 Winklevoss Ip, Llc Systems, methods, and program products for a digital math-based asset exchange
US11282139B1 (en) * 2013-06-28 2022-03-22 Gemini Ip, Llc Systems, methods, and program products for verifying digital assets held in a custodial digital asset wallet
US10354325B1 (en) * 2013-06-28 2019-07-16 Winklevoss Ip, Llc Computer-generated graphical user interface
US20160012465A1 (en) * 2014-02-08 2016-01-14 Jeffrey A. Sharp System and method for distributing, receiving, and using funds or credits and apparatus thereof
US20160098730A1 (en) * 2014-10-01 2016-04-07 The Filing Cabinet, LLC System and Method for Block-Chain Verification of Goods
US20160098723A1 (en) * 2014-10-01 2016-04-07 The Filing Cabinet, LLC System and method for block-chain verification of goods
CN107408245A (zh) * 2015-02-27 2017-11-28 维萨国际服务协会 利用非对称密码学的交易签名
US10915891B1 (en) * 2015-03-16 2021-02-09 Winklevoss Ip, Llc Autonomous devices
US10963881B2 (en) * 2015-05-21 2021-03-30 Mastercard International Incorporated Method and system for fraud control of blockchain-based transactions
US20170085555A1 (en) * 2015-07-14 2017-03-23 Fmr Llc Point-to-Point Transaction Guidance Apparatuses, Methods and Systems
CN108027867A (zh) * 2015-07-14 2018-05-11 Fmr有限责任公司 计算高效的转账处理、审计以及搜索装置、方法和***
US11488147B2 (en) * 2015-07-14 2022-11-01 Fmr Llc Computationally efficient transfer processing and auditing apparatuses, methods and systems
US10339523B2 (en) * 2015-07-14 2019-07-02 Fmr Llc Point-to-point transaction guidance apparatuses, methods and systems
US20180191503A1 (en) * 2015-07-14 2018-07-05 Fmr Llc Asynchronous Crypto Asset Transfer and Social Aggregating, Fractionally Efficient Transfer Guidance, Conditional Triggered Transaction, Datastructures, Apparatuses, Methods and Systems
US20170091756A1 (en) * 2015-07-14 2017-03-30 Fmr Llc Point-to-Point Transaction Guidance Apparatuses, Methods and Systems
US20170048235A1 (en) * 2015-07-14 2017-02-16 Fmr Llc Crypto Captcha and Social Aggregating, Fractionally Efficient Transfer Guidance, Conditional Triggered Transaction, Datastructures, Apparatuses, Methods and Systems
US20170085545A1 (en) * 2015-07-14 2017-03-23 Fmr Llc Smart Rules and Social Aggregating, Fractionally Efficient Transfer Guidance, Conditional Triggered Transaction, Datastructures, Apparatuses, Methods and Systems
US20170048209A1 (en) * 2015-07-14 2017-02-16 Fmr Llc Crypto Key Recovery and Social Aggregating, Fractionally Efficient Transfer Guidance, Conditional Triggered Transaction, Datastructures, Apparatuses, Methods and Systems
US20170109735A1 (en) * 2015-07-14 2017-04-20 Fmr Llc Computationally Efficient Transfer Processing and Auditing Apparatuses, Methods and Systems
US20170046689A1 (en) * 2015-07-14 2017-02-16 Fmr Llc Crypto Voting and Social Aggregating, Fractionally Efficient Transfer Guidance, Conditional Triggered Transaction, Datastructures, Apparatuses, Methods and Systems
US20170048234A1 (en) * 2015-07-14 2017-02-16 Fmr Llc Social Aggregating, Fractionally Efficient Transfer Guidance, Conditional Triggered Transaction, Datastructures, Apparatuses, Methods and Systems
US10402792B2 (en) * 2015-08-13 2019-09-03 The Toronto-Dominion Bank Systems and method for tracking enterprise events using hybrid public-private blockchain ledgers
US11188907B1 (en) * 2015-08-21 2021-11-30 United Services Automobile Association (Usaa) ACH authorization validation using public blockchains
EP3394818A4 (en) * 2015-12-21 2019-08-14 Kochava Inc. AUTOREGULATING TRANSACTION SYSTEM AND ASSOCIATED METHODS
US9849364B2 (en) * 2016-02-02 2017-12-26 Bao Tran Smart device
CN107145768B (zh) * 2016-03-01 2021-02-12 华为技术有限公司 版权管理方法和***
US10546296B2 (en) * 2016-04-13 2020-01-28 Paypal, Inc. Public ledger authentication system
CN107770115B (zh) * 2016-08-15 2021-01-05 华为技术有限公司 在对等网络中分发数字内容的方法和***
US11282137B2 (en) * 2016-10-07 2022-03-22 The Toronto-Dominion Bank Secure element method for distributed electronic ledger
US10528880B2 (en) * 2016-10-11 2020-01-07 International Business Machines Corporation System, method and computer program product for detecting policy violations
WO2018106187A1 (en) * 2016-12-06 2018-06-14 Vesl Pte. Ltd. System and method for reducing fraud in trade insurance and financing
CN106651331B (zh) * 2016-12-22 2019-11-29 飞天诚信科技股份有限公司 一种基于数字货币的电子交易方法及***
US10715331B2 (en) * 2016-12-28 2020-07-14 MasterCard International Incorported Method and system for providing validated, auditable, and immutable inputs to a smart contract
TWI764971B (zh) 2016-12-30 2022-05-21 美商英特爾公司 物聯網
US10719501B1 (en) * 2017-03-03 2020-07-21 State Farm Mutual Automobile Insurance Company Systems and methods for analyzing vehicle sensor data via a blockchain
US10930089B1 (en) * 2017-04-05 2021-02-23 State Farm Mutual Automobile Insurance Company Systems and methods for sensor recalibration via blockchain
US10965668B2 (en) 2017-04-27 2021-03-30 Acuant, Inc. Systems and methods to authenticate users and/or control access made by users based on enhanced digital identity verification
CN111149332B (zh) * 2017-04-28 2022-09-23 数据翼股份有限公司 在去中心化***中实施集中式隐私控制的***和方法
CN110832825B (zh) * 2017-05-22 2022-10-21 维萨国际服务协会 通过防篡改数据提高验证速度的网络的方法和节点
WO2019067800A1 (en) * 2017-09-29 2019-04-04 Leverage Rock Llc CONFIDENTIALITY OF TRANSACTIONS IN PUBLIC DISTRIBUTED REGISTRY SYSTEMS
CN108009811B (zh) * 2017-11-30 2021-06-04 中国人民解放军国防科技大学 一种面向云际计算环境价值交换的跨链通信方法
US11861619B1 (en) * 2017-11-30 2024-01-02 Worldpay, Llc Systems and methods for payment transactions, alerts, dispute settlement, and settlement payments, using multiple blockchains
US20190095995A1 (en) * 2017-12-13 2019-03-28 Dearborn Financial, Inc. Systems and methods for operating exchange controlled network handling digitized asset backed mediums of exchange
US11227284B2 (en) * 2017-12-13 2022-01-18 Mastercard International Incorporated Method and system for consumer-initiated transactions using encrypted tokens
US10896418B2 (en) * 2017-12-29 2021-01-19 Ebay Inc. Secure management of data files using a blockchain
US10373129B1 (en) * 2018-03-05 2019-08-06 Winklevoss Ip, Llc System, method and program product for generating and utilizing stable value digital assets
US10438290B1 (en) * 2018-03-05 2019-10-08 Winklevoss Ip, Llc System, method and program product for generating and utilizing stable value digital assets
US10929842B1 (en) * 2018-03-05 2021-02-23 Winklevoss Ip, Llc System, method and program product for depositing and withdrawing stable value digital assets in exchange for fiat
US11423367B2 (en) * 2018-05-02 2022-08-23 Mastercard Internatioanl Incorporated Method and system for securing transactions by check using blockchain technology
CN108805656B (zh) * 2018-05-22 2021-01-26 北京京东尚科信息技术有限公司 供需匹配方法、平台、***和计算机可读存储介质
CN109063138B (zh) * 2018-08-03 2021-07-30 上海点融信息科技有限责任公司 用于在区块链即服务平台搜索数据的方法、设备及存储介质
US11328290B2 (en) * 2018-08-06 2022-05-10 Inveniam Capital Partners, Inc. Stable cryptocurrency coinage
ES2879855T3 (es) * 2018-11-27 2021-11-23 Advanced New Technologies Co Ltd Sistema y método para la protección de información
CN111383004A (zh) * 2018-12-29 2020-07-07 北京知帆科技有限公司 数字货币的实***置提取方法、信息的提取方法及其装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050182708A1 (en) * 2004-02-13 2005-08-18 International Business Machines Corporation Financial transaction analysis using directed graphs
US20140172745A1 (en) * 2012-12-13 2014-06-19 Addepar, Inc. Transaction effects
US20150347480A1 (en) * 2014-05-30 2015-12-03 Georgetown University Process and Framework For Facilitating Data Sharing Using a Distributed Hypergraph
US20170366516A1 (en) * 2016-06-16 2017-12-21 The Bank Of New York Mellon Managing verifiable, cryptographically strong transactions

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHO, JUNG HWAN: "Inside Blockchain Tech? ] Chainalysis, Darknet Sniper ''Reactor'' Technique", 5 April 2018 (2018-04-05), Retrieved from the Internet <URL:http://www.cctvnews.co.kr/news/articleView.html?idxno=81750> [retrieved on 20200324] *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365248A (zh) * 2020-11-16 2021-02-12 厦门市美亚柏科信息安全研究所有限公司 一种分析数字货币交易路径的方法及***
CN112365248B (zh) * 2020-11-16 2023-01-24 厦门市美亚柏科信息安全研究所有限公司 一种分析数字货币交易路径的方法及***
CN113269649A (zh) * 2021-06-16 2021-08-17 上海势炎信息科技有限公司 一种数字货币追踪的***和方法
WO2023003445A1 (ko) * 2021-07-23 2023-01-26 주식회사 핑거 가격변동 리스크 회피 가능한 가상화폐 결제 시스템 및 방법
NL2030770A (en) * 2021-09-07 2023-03-10 Univ Beijing Science & Technology Digital currency trading community recognition method, system and device, and storage medium
CN116882998A (zh) * 2023-09-08 2023-10-13 成都链安科技有限公司 虚拟货币资金分析方法
CN116882998B (zh) * 2023-09-08 2023-11-24 成都链安科技有限公司 虚拟货币资金分析方法

Also Published As

Publication number Publication date
JP2022518370A (ja) 2022-03-15
KR20200094827A (ko) 2020-08-10
KR102185191B1 (ko) 2020-12-01
US20220027900A1 (en) 2022-01-27
CN113544727A (zh) 2021-10-22
JP7313597B2 (ja) 2023-07-25

Similar Documents

Publication Publication Date Title
WO2020153688A1 (ko) 암호화폐 거래 분석 방법 및 시스템
Spagnuolo et al. Bitiodine: Extracting intelligence from the bitcoin network
Fröwis et al. Safeguarding the evidential value of forensic cryptocurrency investigations
CN109063138A (zh) 用于在区块链即服务平台搜索数据的方法、设备及存储介质
CN113841142B (zh) 使用知识图提供网络安全的方法、装置和计算机程序
JP7320866B2 (ja) マルチドメインからデータを収集する方法、装置及びコンピュータプログラム
Starnini et al. Smurf-based anti-money laundering in time-evolving transaction networks
US20140059089A1 (en) Method and apparatus for structuring a network
Dennis A Mosaic Shield: Maynard, the Fourth Amendment, and Privacy Rights in the Digital Age
Macwan et al. k-NMF anonymization in social network data publishing
Lv et al. A study of bitcoin de-anonymization: graph and multidimensional data analysis
Liu et al. Multi-task learning based high-value patent and standard-essential patent identification model
Macwan et al. Privacy preservation approaches for social network data publishing
CN115099798A (zh) 一种基于实体识别的比特币异常地址追踪***
Dalal et al. Identifying ransomware actors in the bitcoin network
Mun et al. A RDBMS-based Bitcoin analysis method
Xu et al. The conflict between big data and individual privacy
KR20220116915A (ko) 가상화폐 트래킹 방법 및 그 장치
Choi et al. A large-scale bitcoin abuse measurement and clustering analysis utilizing public reports
Jeyakumar et al. Visualizing Blockchain Transaction Behavioural Pattern: A Graph-based Approach
Lin et al. Analysis and mining of blockchain transaction network
Al-Shammari et al. A Bibliometric Analysis of Customer Churn Prediction in the Telecommunications Industry
Ding et al. Themis: Detecting Anomalies from Disguised Normal Financial Activities
Vijayalakshmi et al. Constructive system for double-spend data detection and prevention in inter and intra-block of blockchain
Lee et al. Big Data, Cyber Security and Liberty

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20745930

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021539150

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20745930

Country of ref document: EP

Kind code of ref document: A1